從數學博士到阿里雲工程師，夏分一直學以致用。加入阿里雲接手的第乙個et工業大腦專案，因為資料傳輸問題丟失大量資料，導致機器誤判拉響警報，這讓他意識到自己不能只坐在電腦前做「碼農」，也要下到車間做實地考察。
然而，之後夏分參與的專案是一家有32年歷史的毛紡企業，從訂單到配色、染毛、混毛，到紡線、織布和成衣，沒有一套完整的資料採集系統。車間主任「迷信」人工智慧和機器演算法，在沒有資料的情況下提出一系列「無解」要求，夏分利用數學思維將其一一解決。
虛驚一場的教訓
從本科到博士，夏分在浙江大學研究了10年數學，畢業後一度從事人工智慧輔助醫療方面的研究，卻因為缺乏結構化資料陷入瓶頸。剛好，有人推薦他去阿里雲，抱著「醫療是民生，工業是戰略」的想法，夏分於2023年7月加入阿里雲，成為一名演算法工程師，也是第一代車間程式設計師。
入職後的第4個月，夏分接手了第乙個專案，用et工業大腦幫一家風電企業提前**風電機組故障。
由於無法實時掌握工作狀態，傳統風電機組維護，通常都是在故障發生後亡羊補牢，維修費用高，維修周期長，還會影響生產的連續性。
乙個5萬千瓦的風電場，平均每年維護費用高達300萬元，還會以平均3%的速率逐年遞增。而這家風電企業擁有10個風電場、500多颱風電機組，維護成本帶來的壓力可想而知。
就像乙個人生病，病情發展有跡可循，如果能提早發現，提前干預，就能阻止病情惡化，節省醫療成本。而對風電機組來說，乙個核心健康指標是溫度，長期高速運轉下，部件老化導致摩擦碰撞，就會產生不必要的熱能，但有些時候，沒有機械故障也會引起部件發熱，怎麼樣才能在不放過故障的同時，做到不誤報、減少風電場工程師工作量？
工程師爬上幾十層樓高的風電機，為兩台驗證機組裝上數十組溫度感測器，在運轉中源源不斷地採集溫度資料，夏分則在杭州的辦公室裡，實時監控並分析著數千里之外的資料。積累到上億條溫度資料後，夏分建立機器學習模型，希望能提前識別風電機組執行異常並預警。
一次，機器檢測出的溫度數值與模型預估的相差20多度，這讓夏分有點不知所措，「溫度過高將導致風電機組無法正常運作，這可不是個小問題。」遠在新疆吐魯番的工程師接到警報後，趕緊檢視了「異常」風電機組測點的溫度資料，卻發現完全正常。那麼，是網路傳輸不穩定？還是感測器故障或老化影響了資料的採集？夏分在腦海中推理著各種原因，不相信自己的演算法會出錯。
「怎麼會只有1%的資料？」緊張排查幾個小時，原因找到了，風電場出現嚴重的資料缺失，大量資料未同步上傳，導致機器學習的並不是完整資料。
最終，et工業大腦做到能提前2周識別風電機組潛在故障，大修變小修，單次重大事件維護成本降低20-40萬元。夏分卻意識到，要將前沿科技真正帶入工廠，光靠在電腦前碼出一套演算法還不夠，必須去實地考察真實情況。
毛紡企業的配色難
今年四月，夏分接到又乙個專案需求——一家國內毛紡行業的龍頭企業，希望借助et工業大腦，來提高配色的效率。毛紡行業，染色質量是衡量呢絨產品質量的金標準，而染色的關鍵，在於染料配方的準確程度。
夏分一頭紮進毛紡企業的混合羊毛車間。車間裡悶熱潮濕，羊毛和化學溶劑的味道混在一起，鑽進鼻子令人犯嘔，轟隆作響的混毛機器旁，放著乙個個一公尺多高的白色塑料桶，裡面塞著不同顏色的羊毛。
這一次，客戶來樣是藍色。試驗台前坐著二三十名工藝員，他們從一缸染好顏色的羊毛中，撕取一小撮大概15厘公尺長、5厘公尺直徑的羊毛小樣，人工梳毛後，拿著小樣去稱量，然後通過美國進口的datacolor測色儀，檢測染色結果是否與客戶要求一致。
驗色結果不盡人意，顏色嚴重偏紫，紅色太多。第二次配色，又偏綠了，黃色太多。工藝員把第一缸和第二缸的羊毛倒入混毛機，充分混勻後，再撕取一撮上機器測色，若不正確，就再重複一次。
「還是很原始的方式。」夏分從老師傅口中得知，從拿到訂單指令到完成配色，至少要一周時間，老師傅一般5次左右便可配色成功，而新人7次8次都未必能成功。染料配方頻繁調整，生產週期隨之拉長，庫存積壓還是小事，倘若色光不符合客戶來樣，能不能順利交貨都是問題。
夏分琢磨著，建立模型匯入資料，讓機器學習染料配方，再將老師傅總結出的經驗，通過機器演算法來學習，幾次推薦出符合來樣的染料配方易如反掌。夏分正想得出神，車間主任突然來了一句「我們沒有資料」……
想要資料得先**
資料，其實是有一些的。比如每次配色成功，工藝員都會詳細記錄染料配方和混色資料，只是沒有數字量化最終配出的顏色，而是儲存了實物樣本。每次拿到客戶來樣，工藝員就拿出以前做過的實物樣本對比，找出色光最接近的方案，不斷調整測試。
可是經驗豐富的工藝員都知道，哪怕配的是之前配過的同一種顏色，按照歷史記錄配出的顏色，也會因為車間環境溫度濕度的變化而發生細微偏差，而染料員稍偷點懶，30分鐘的染色時間縮短到26分鐘，就會直接影響染料在羊毛上的附著力。而這些有可能導致配色失敗的因素，都沒有以資料的方式留存下來。
對於et工業大腦，車間主任倒是寄予厚望，見到夏分就說，「人工智慧嘛，你們阿里雲就是很厲害，沒有資料你們也應該能做出來。」
「沒有資料不行？那你們就估計乙個資料出來。」車間主任甚至提出，希望通過演算法，自動填補缺失的空白資料。
「這根本就是悖論嘛。」夏分抿了抿嘴，車間主任「神化」了人工智慧和機器演算法，給他提出乙個大難題。
目標節省兩**力
從車間回到辦公室，夏分坐在電腦前，在網上搜尋起契合業務背景的**。
《基於共軛梯度法的紗線染色配方**優化演算法》，外行人讀個題目都費勁的**，夏分抱起來就啃。從中午吃完飯到零點睡覺前，從一開始的三四篇**再到引申出的10餘篇參考文獻，夏分一邊仔細研讀，一邊做筆記標註，彷彿回到讀研讀博的時光。
既然目前車間工作流的操作無礙，就把不穩定的因素暫放一旁，只要減少配色的嘗試次數，在一定程度上就是節省工作量，夏分理清了思路，「我們要做的就是找到乙個平衡點，提高演算法的準確率，從而減少他們的工作流和人力。」
「收集歷史配方資料，列出用了哪個工廠的染料，哪幾種顏色，比例分別是多少，染色出來的顏色是什麼……」夏分給車間主任開出了資料採集要求，在配色染色的每乙個步驟都加上了使用數值化記錄的環節。
毛紡企業目前有幾十類配方，而機器學習一類配方大概需要上百條資料，只要擁有資料，夏分很快就能完成資料清洗，特徵構造，特徵篩選，模型篩選，引數調優等建模步驟。
結合前期試驗和演算法模型，夏分設想，首次推薦配方的成功率只有60%，二次推薦的成功率是84%，三次推薦的成功率則在90%以上，可以節省20%的人力，現在就只差實踐驗證。
「分析、比較、判斷，其實都是數學中的邏輯思維。」夏分笑著說，自己跟數學早已難捨難分。
原文發布時間為：2018-08-30
雲話題 當邊緣計算遇上雲原生
特邀專家 吳龍輝 阿里雲技術專家，kuberentes實戰 作者，致力於雲原生技術的研究，擁有豐富的雲原生和容器化實踐經驗 目前負責阿里雲cdn和邊緣雲原生技術體系建設，包括邊緣容器平台研發 cdn容器化等。作為雲計算時代的新技術理念，雲原生概念在2015年被提出，它從技術理念 核心架構等多個方面，...
《當阿呆遇上阿瓜》 當鐵鍬遇上石頭
該片是金 凱瑞成名之前在1994年給影迷奉獻的搞怪喜劇片 阿呆與阿瓜 的續集，說是續集，其實是前傳。新線公司讓我們足足等了10年才看到續集，然而此時影片的主創人員全部更換。少了金 凱瑞，似乎再沒有理由讓我們更期待看到這部影片。可別說筆者心態不正，筆者之所以看此片僅僅因為想看看新線公司是如何挖這塊金礦...
當技術遇上管理
哈佛商學院教授戴維 蓋兒文總結說過 我們的時間應該花在設計和除bug上，而不是不停地與上司打交道，或者監督別人的工作。作為乙個技術人員管理者，要麼你的技術能力徹底讓人信服，要麼你的想法與綜合能力高人一籌，而且還得顯得比手下的人要忙，不然誰心甘情願服從你的安排。很不巧，國內大多數公司裡，有些人的存在，...