• 金融
  • 农业
  • 公安
  • 民航
  • 环保
  • 工业
  • 政府
  • 学校
  • 金融

    --金融科技改变的不是技术 而是一个时代

    现在大多数银行、金融服务和保险组织(简称BFSI)正在加速转型,通过数据驱动的方式来发展业务和提高客户服务质量。金融行业由于服务客户众多,业务类型复杂,信息化程度较高,天然具有“海量用户和大数据”的特点。比如: 在规模上,现在金融机构已经实现了所有核心业务系统的计算机处理,并且每时每刻都在存储和处理大量的数据。金融行业有着大量的客户信息、储蓄信息、产品档案、报价数据、市场行情数据和交易数据等,仅纽约证券交易所一天的数据写入量就超过1Tb; 在速度上,并发的海量用户访问和交易请求,意味着需要更高的业务处理速度,如在支付高峰期,网络支付峰值可达25.6万笔/秒,数据库处理峰值达到4200万次/秒,很明显这远远超出传统数据库的处理能力; 当然还有数据的多样性,在金融机构自身产生的数据中,有一部分是结构化数据,比如客户的存款数额、贷款数额、购买理财产品的编号等等;这部分数据的存储量占比相对不大,而数据量更多、挖掘价值更大的是那些半结构化或非结构化的数据,比如用户各种身份和资产证明的复印件、行为数据、社交网络数据等。
    当然,银行业监管机构对于数据管理和监测的要求也在不断提高,在《中国金融业“十三五”信息化建设规划》、《中国银行业信息科技“十三五”发展规划监管指导意见》中都提到了要加强数据管理、管控,提高数据信息质量,采用数据挖掘和大数据技术深层利用、提炼数据以提升经营管控效能。
    很明显,大数据已不再只是个专有名词,银行等金融机构对大数据技术的选择成了必然趋势。

    金融大数据的核心技术,也离不开处理以下几件事情:获取数据、存储数据、分析数据和应用数据。
    简单来说,对应到一个大数据分析平台,可能就需要有数据产生层、数据交换层、数据存储和计算层、数据应用层以及用户访问层。
    在数据产生层,是企业内外部产生的结构化、半结构化和非结构化数据,然后经由数据交换层,完成从源头抽取、清洗数据以及大数据平台内部组件之间进行的数据交换,在数据存储和计算层,会通过HDFS, S3, HBase, Cassandra等各类软件完成清理之后数据的分类存储,并通过Mapreduce、Spark、Storm等各类框架和算法响应上层的数据处理和访问需求;当然,这些需求对应的是数据应用层和用户访问层的各类界面请求和用户操作,比如仪表盘、报表、即时查询、多维分析、挖掘预测等。
    简单来说,银行业海量的数据内容,需要经历从“数据采集、清理/整合、数据仓库、流程调度、数据挖掘到知识应用”多次的循环反复,才会体现出巨大的应用价值。而如何 “打通”多源异构的数据,进行数据整合从而建模分析,是机构当前面临的最大问题之一。
    金融行业对大数据的选择,除了政府的推动之外,当然来自于最实际的业务驱动。
    根据麦肯锡的说法,使用数据做出更好的营销决策可以将营销生产力提高15-20% - 考虑到每年平均1万亿美元的全球营销支出,这个数字可能高达2000亿美元。对于BFSI来说,最主要的业务驱动体现在精准营销、风险控制、经营优化和业务创新几个方面。

    精准营销:在互联网金融的冲击下,BFSI的各类机构,迫切的需要掌握更多用户信息,包括基本的个人数据,交易历史,浏览历史,服务等等;以数据为基础的分析可以帮助他们构建精准的用户画像,了解客户并进行客户细分,从而进行精准营销、实时营销等个性化智慧营销。

    风险控制:应用大数据技术,机构可以统一管理银行内部多源异构数据、外部征信数据及用户社交网络数据,通过提供更多的自动化流程,更精确的预测系统以及更小的失败风险,提高风险模型的预测能力,并显著节省成本。大数据在风险管理方面有很多领域可以应用和带来价值,包括欺诈管理,信用管理,市场和商业贷款,操作风险和综合风险管理。

    经营优化:借助大数据决策分析,可以更精准地了解业务数据,改善经营决策,为管理层提供可靠的数据支撑,使经营决策更加高效、敏捷。当然,大数据也能使管理层从业务表现实时了解员工实际工作效率,从而制定相关的管理措施,实现组织激励。

    业务创新:基于大数据平台进行的业务数据共享和数据挖掘,能更好地了解用户需求,进行业务创新,同时改善与客户之间的交互、增加用户粘性,不断增强银行业务核心竞争力。

    作为更了解金融业务的云服务,金融行业云解决方案已经在为多家银行、证券、保险及互联网金融机构提供安全可靠的IT基础设施、大数据分析、人工智能及百度生态支持等服务,并通过人工智能、安全防护、智能获客、大数据风控、IT系统、支付等六大技术能力给合作伙伴赋能。

  • 农业

    --充分利用大数据技术,建立新型的农业,提高产能和优化分配

    建立农业大数据平台,采集并存储大量的历史数据,外部数据,最终是为了让农业生产更智能,更高效。因此,需要运用先进的数据挖掘技术和人工智能技术来实现农业智能化。例如,根据历史天气状况和农作物生长状况来分析指导最佳实践,来提示预警潜在病虫害的风险和气象病的风险等等。这些智能化应用的实现主要需要用到数据挖掘和人工智能技术。大数据平台提供了数据挖掘和人工智能的算法库,并且还提供了数据建模工具方便用户进行数据清洗,数据建模和数据模型的测试。 大数据平台数据挖掘引擎实现了机器学习算法库与统计算法库,支持常用机器学习算法并行化与统计算法并行化,并利用Spark在迭代计算和内存计算上的优势,将并行的机器学习算法与统计算法运行在Spark上。支持的机器学习算法包括逻辑回归、朴素贝叶斯、支持向量机、聚类、线性回归、推荐算法等,统计算法库包括均值、方差、中位数、直方图、箱线图等。可以支持后期在平台上搭建多种分析型应用,例如用户行为分析、精准营销,将对用户贴标签、进行分类,此类应用都会用到平台的数据挖掘功能。 农业大数据是融合了农业地域性、季节性、多样性、周期性等自身特征后产生的来源广泛、类型多样、结构复杂、具有潜在价值,并难以应用通常方法处理和分析的数据集合。 农业大数据保留了大数据自身具有的规模巨大(volume)、类型多样(variety)、价值密度低(value)、处理速度快(velocity)、精确度高(veracity)和复杂度高(complexity)等基本特征,并使农业内部的信息流得到了延展和深化。

    根据农业的产业链条划分,目前农业大数据主要集中在农业环境与资源、农业生产、农业市场和农业管理等领域。
    (1)农业自然资源与环境数据。主要包括土地资源数据、水资源数据、气象资源数据、生物资源数据和灾害数据。
    (2)农业生产数据包括种植业生产数据和养殖业生产数据。其中,种植业生产数据包括良种信息、地块耕种历史信息、育苗信息、播种信息、农药信息、化肥信息、农膜信息、灌溉信息、农机信息和农情信息;养殖业生产数据主要包括个体系谱信息、个体特征信息、饲料结构信息、圈舍环境信息、疫情情况等。
    (3)农业市场数据包括市场供求信息、价格行情、生产资料市场信息、价格及利润、流通市场和国际市场信息等。
    (4)农业管理数据主要包括国民经济基本信息、国内生产信息、贸易信息、国际农产品动态信息和突发事件信息等。

    建立平台编辑
    为了不断推进农业经济的优化,实现可持续的产业发展和区域产业结构优化,进一步推动智慧农业的建设进程,需要全面及时掌握农业的发展动态,这需要依托农业大数据及相关大数据分析处理技术,建设一个农业大数据分析应用平台---农业大数据平台来支撑。
    在技术上,该平台应该充分运用先进数据管理技术和数据仓库技术,建设具有高效性,先进性,开放性的商务智能项目。结构上,该平台应具有良好的可配置性,满足资源、业务流程的变化。同时随着业务的发展,业务量的增加,系统也应该具有良好的应用及性能的扩展。

    平台拟实现功能:
    (1)实现数据库的交互;
    (2)根据农业大数据研究的个性化需求,形成一系列相关公开发布数据的采集机制,将数据采集的相关程序设计并编写完善,部署此套机制在平台上周期运转;
    (3)数据的浏览,对数据进行查询、展现和基础统计分析等初步应用;
    (4)实现农业大数据分析人员的交流平台

    平台拟实现目标:
    (1)通过平台的建设,汇集各方资源,构建农业领域特色的大数据研究中心;
    (2)通过数据整合,采集和加工处理,建设中国第一个专业的农业数据资源中心;
    (3)依托农业大数据相关技术,包括数据采集技术、存储技术、处理技术、分析挖掘技术、展现技术等构建农业大数据应用平台;
    (4)通过分析应用平台,进行成果发布,形成农业领域专业研究的权威成果发布平台,服务于高校和政府,涉农企业,社会公众等。

  • 公安

    --智慧公安是智慧城市的重要组成部份,有效保障社会长治久安和商业环境的稳定

    智慧公安解决方案是根据科技强警的发展战略,利用云计算、物联网、大数据、视频智能分析、GIS、GPS、数字集群等高科技技术,通过面向实战和服务民众的顶层设计,以及面向警务信息的高度共享机制、系统的强度整合机制、应用的深度分析机制等建设,引入“在线云服务”的理念,按照“云+端”的模式,构建统一的公安警用地理信息云服务体系,通过数据总线(ESB)、数据清洗(ETL)、网络”蜘蛛”、大数据挖掘等智能技术高自动化地辅助领导指挥决策,为各地公安部门提供准确、专业、实时的地理信息服务,实现智慧公安
    在公安在业务应用中提供高效的集合数据汇聚、查询、分析、挖掘、展现、管理、安全于一体的大数据平台。平台充分利用云计算、大数据等先进的技术, 构建面向公安实战的顶层信息化架构, 从而实现公安工作高效规范、 业务有机协同、 数据动态鲜活、信息高度共享、贴近实战应用的警务工作模式。

    大数据搜索系统:
    公安大数据的搜索引擎, 可实现万亿级针对跨部门跨区域海量警务数据的横向关联、 毫秒查 询、批量比对。除了支持关键字 / 全文检索、数据碰撞、多维度自定义检索外,还可结合基 于深度学习的图像检索,实现人、车、物、案信息的无缝关联展现。

    可视化分析系统:
    平台借鉴关系分析、 BI 分析等可视化特性, 结合公安业务应用需求。 着手人、 事、 地、 物、组织维度,从时间、空间、关系出发,帮助公安用户梳理挖掘数据价值。

    关系图谱:
    实现人和人、 人和案、人和物的关系描述,围绕某人不断发现相关的关系人或关 系物,逐步拓展出人员的关系图谱,实现关系圈分析。

    关系发现:
    通过基于大数据的关系建模, 关联挖掘与人员相关的各类关系数据, 对存在关系 的目标对象打上关系标签,并以可视化方式直观展示人员之间的关联关系。

    六度空间:
    基于六度空间理论和已知的关系网络, 对两个特定目标人员之间的关系挖掘展现, 找出两个目标人员的关系链路或关键路径。

    智慧地图:
    基于 GIS 地图的资源展示、轨迹刻画、时空分析,可兼容 PGIS、 ARCGIS、百 度、腾讯、搜狗、高德、天地图等多种数据接入,并支持 在线、离线 模式,矢量、影像及 三 维的数据展现。

    智慧研判系统:
    提供对各类信息的研判思路和研判方法, 如技战法模型。 同时也包括面向特定业务主题 的研判应用,如维稳研判、涉恐研判等。将这些思路和方法收集起来,再共享给他人使用,会大大提高案件侦破、信息研判的效率。

    数据采集系统:
    提供分布式数据采集、多源数据支持、可视化数据模板,并对采集任务过程进行负载 均衡、断点续传、实时监控采集状态,最终实现安全高效的数据集采。

    数据管理系统:
    智慧数据仓:规范高效的数据管理,更好的体现了当前数据作为宝贵财富的重要性。智慧数据仓从数据来源、数据状态、数据质量、数据标准规范各个方面对数据进行有效管理。

    系统监控:
    针对系统的计算资源、存储资源、网络资源进行实时监控报警。

    安全审计系统:
    主要是依托公安现有安全体系,从应用审计和数据审计上提供对大数据平台安全审计。 应用安全设计主要是保证公安大数据平台自身业务的安全性。

    应用审计:
    身份鉴别、访问控制、安全审计、剩余信息保护、应用通信安全、软件容错和资源控制等方面。

    数据审计:
    数据安全设计的核心是保护公安大数据平台系统管理数据、 鉴别信息、 重要业务 数据等关键数据的安全。主要包括数据加密、备份和恢复等方面。

    平台特色
    融合大数据架构
    高效的计算分析
    直观的交互体验
    灵活的研判分析
    专业的技术支持

  • 民航

    --迈向大智能时代

    大数据平台从外部数据采集平台获取数据,经过数据清洗、数据治理存储在平台内部数据存储组件上,并为上层的应用系统提供批处理、实时处理等方式的海量数据处理能力,也为上层的应用系统提供MPP、机器学习、图库、知识图谱等数据挖掘和数据分析的组件,并通过统一查询接口为上层提供访问能力。
    系统主要数据采集集成、数据清洗、数据存储、数据分析与挖掘、数据查询、平台管理、数据管理等七大部分,大数据平台架构设计思路是以数据存储为核心,以数据处理为主线,以管理为主要手段。围绕数据存储,数据的处理流程分为数据采集集成、数据清洗、数据分析与挖掘、数据查询等主要模块。其是温,热大数据均存在极融一体化平台中,冷数据在vSAN中。
    大数据平台的数据来源可以分为两大类,在公安网外部的数据包括21个应用系统数据、VPDN的数据、运控专网和中航信专网数据、民航通信网数据以及互联网采集数据等均是通过外部数据采集及处理平台统一采集,存储到公安网内部的原始素材库,然后经由ETL数据采集集成工具统一转换成大数据系统可以管理的数据存储到大数据平台内。在公安网内部的数据包括基础业务平台、情报及查询平台、综合信息共享服务以及数据交换中心中编选的数据直接通过大数据平台的ETL数据采集集成工具转换成大数据系统可以管理的数据存储到大数据平台内。
    另外,大数据中心也会通过数据交换中心获取公安部七类人和八大信息库的相关数据,以及各省公安厅信息资源服务平台查询比对后的标识数据。

    下面分别介绍一下这些系统平台与大数据平台的关系。
    1) 外部数据采集和处理平台
    外部数据采集和处理平台负责在采集安全边界外面的数据,包含互联网舆情数据、民航安保相关的21个互联网应用系统数据、民航通信网数据等,并在保证数据原始不修改的情况下存储在公安网内部的原始素材库中,形成大数据平台可以采集、清洗、治理的原始数据版本。

    2) 原始素材库
    原始素材库的数据要保证数据的原始性,存储方式要和采集源数据存储方式保持一致。结构化数据存储在关系数据库和非关系型数据库中,视频、图片、文件存储在分布式文件系统和对象存储中,半结构化的数据根据实际情况会使用数据库和分布式文件系统结合的方式来存储。

    3) 数据交换中心
    数据交换中心构建在大数据平台的上层,作为民航安保系统的重要基础平台,会为大数据平台的数据编制数据目录提供外部相关结构和单位,同时也会根据大数据平台的需求从外部相关结构和单位抓取数据,通过大数据平台的数据采集集成工具统一加载到大数据平台内部。

    4) 情报及查询平台
    情报及查询平台基于大数据平台提供的各种数据,包括要素库、主题库,进行情报分析和研判,并把研判结论回写到大数据平台。
    情报及查询平台充分利用大数据平台提供的并行计算、自然语言处理、深度学习和知识图谱能力,来进行情报的收集和分析

    5) 基础业务平台
    基础业务平台的应用系统既是大数据平台的数据使用方、也是大数据平台的数据提供方、大数据平台会通过数据采集集工具获取这些应用系统的数据,补充到整个系统的原始资料库,同时也向应用系统提供全方位的数据查询、计算服务,以保证应用系统能获得整个民航安保相关数据的使用权限和大数据平台的数据处理能力。

    6) 综合信息共享服务平台
    综合信息共享服务平台中有大量的信息综合查询功能,其查询来源是大数据平台的上的各种要素库、主题库数据。

    大数据平台需要提供较高的数据搜索、碰撞、提取效率,以支撑在海量数据中快速定位综合信息共享服务平台需要的数据。
    大数据平台是为了人工智能和大数据分析而诞生的统一融合大数据平台,可以方便地运行于位于本地,云或是边缘的商业机器平台上;充分利用了存储,管理,进程来分析各种实时,关键,可靠性的数据;独一无二的设计符合工业生产级的要求,其容量能达到EB级规模;并且在数据的保护,加密,灾难恢复,安全达到非常好的等级;系统同时能处理不同的基于对象,图形,大小文件,表格,事件,存储块的巨量信息。我们同时会开源容器化的管理接口,确保分布式应用程序的无缝接入和在分布式环境下的可移植性。
    平台包含了各种正向开发的分析工具,也有开源的工具如:Apache Hadoop, Apache Spark, Apache Drill, Apache Hive,Pentaho,Madlib等。 此外,领先的AI和 ML库也集成在同一平台上,为客户量身定制一站式的存储,计算,云服务,人工智能服务。

  • 环保

    --智慧环保是数字环保的延伸 建设资源节约,环境友好和谐社会

    环境监测是环境保护工作的“哨兵”、“耳目”、“尺子”,是环境管理的重要组成部分, 是环境保护工作最为重要的基础性和前沿性工作。随着经济和社会发展,环境监测项目不断扩展,监测领域不 断拓展,技术要求不断提高,环境监测面临更加繁重的工作任务。环境监测作为环境保护的基础, 当前已从传统的技术层面全面融合到环 境保护工作的整体当中, 成为推进环境保护历史性转变的重要突破口之一。要求环境监测实现从传统到现代、从粗放到精准、从分散封闭 到集成联动、 从现状监视到预测预警的全面而深刻的历史性转型, 为环境管理提供强大技术支撑。 环境监测信息化是保障环境监测能力提 高重要手段之一, 在新的形势下, 有必要以天津市环境监测中心为主导对全市环境监测系统进行信息化建设, 应用高科技手段对环境监测 数据进行有效管理、 监测数据的深入的挖掘分析, 进而更好地为环境管理部门提供数据支持服务。

    智慧环保是利用物联网技术、云计算技术、3G 技术和业务模型技术,以数据为核心,把数据获取、传输、处理、分析、决策服务, 形成一体化的创新、智慧模式,让环境管理、环境监测、环境应急、环境执法和科学决策更加有效、 准确, 通过“智在管理、 慧在应用”, 为环境管理和环境保护提供全方位的智慧管理与服务支持。

    业务协同化
    将行政许可审批、建设项目管理、环境监督管理、环境执法、行政处罚、 环境信访、 环境监测、 固废管理、 核与辐射管理、 总量管理、 生态管理、空气质量预测预报、环境应急、环境决策等业务进行协同,打通业务之间的关联,形成协同管理机制。同时将政府的业务工作和企业的自身管理、公众的环保需求进行统一协同,为企业、公众提供更好的服务。

    监控一体化
    建立全方位立体监控网络,对水污染源、气污染源、放射源、机动车、水环境、大气环境、噪声、智慧环保等进行全面监控,实现天地空监控一体化智能监控管理平台。

    资源共享化
    对跨区域、 跨行业及跨平台的环境质量、 环境安全和环境风险信息资源实现共享和科学评价,能通过模型和评价体系解决重点城市、区域和流域重大环境管理问题。

    决策智能化
    随时了解实时的环境质量状况,对某个区域的环境质量进行预测预报,同时针对环境质量较差的区域落实限批、停产、关停等环境经济手段。 准确核算区域环境资源容载能力, 为产业结构调整提供科学依据。

    信息透明化
    通过政务外网网站、 企业网上办事大厅及环保 APP软件等技术手段,构建政府、企业及市民沟通的桥梁。提供面向排污企业、面向社 会、 面向百姓的环境信息服务, 实现从原来单一的信息发布窗口和行政审批窗口到提供数据服务、 接受监督、体现互动交流的公众服务平 台的转变。

    智慧环保大数据一体化管理平台
    深入智能化全面互连互通采用各种先进的感知设备全面感知环境, 包括针对水体各种理化指标和性状的传感器和测量仪表, 针对气 体中各种有害气体含量的传感器和测量仪表, 以及比较成熟的视频监控设备和视频智能分析技术、射频识别( RFID)技术等,综合运用各 种设备和技术,获得前所未有的智能感知。通过各种网络设备、网络与先进的感知设备进行连接,将感知设备获取的信息实时传输到业务平台, 转发给手持设备、 电脑和智能化终端等。

    感知层获得的数据可用于对应的业务系统, 甚至可以作为建模的基础数据, 数据管理平台实时收集并分析数据, 当数据超限值可实现 自动告警,提示环境管理部门或污染源企业及时处理。整合多年来承建的环保业务成功案例,打造以环境政务管理、环境监测管理、环境监察管理、环境风险防控、辅助决策支持、环境监管以及公众服务七大平台为线,以云计算中心和数据资源中心为核心,以标准和规范体系、安全及运维体系、组织及管理体系为保障,以地理信息平台为基础的智慧环保平台, 实现面向不同层级用户有针对性 的智慧管理和服务支持。

    全面贯彻落实科学发展观,按照国家环境保护“十二五”规划,提出的“深化主要污染物总量减排,努力改善环境质量,防范环境风险,全面推进环境保护历史性转变”的要求,建立全面感知、广泛互联、深度融合、集中管理、智能应用、安全可靠和机制完善的国家环境保护物联网体系初步实现对总量控制指标的有效监管、 危险废弃物、 环境风险源、放射源的全生命周期过程监管, 提高环境预警水平以及提升突发环境 事故处理水平,为全面提升环境管理能效提供智能化平台支撑。

  • 工业

    --工业大数据的应用,始终在技术革新的浪潮之巅

    业大数据是指在工业领域中,围绕典型智能制造模式,从客户需求到销售、订单、计划、研发、设计、工艺、制造、采购、供应、库存、发货和交付、售后服务、运维、报废或回收再制造等整个产品全生命周期各个环节所产生的各类数据及相关技术和应用的总称。其以产品数据为核心, 极大延展了传统工业数据范围, 同时还包括工业大数据相关技术和应用。

    工业大数据的主要来源有三类:
    第一类是生产经营相关业务数据。主要来自传统企业信息化范围,被收集存储在企业信息系统内部,包括传统工业设计和制造类软件、企业资源计划(ERP)、产品生命周期管理(PLM)、供应链管理(SCM)、客户关系管理(CRM)和环境管理系统(EMS)等。通过些企业信息系统已累计大量的产品研发数据、生产性数据、经营性数据、客户信息数据、物流供应数据及环境数据。此类数据是工业领域传统的数据资产,在移动互联网等新技术应用环境下正在逐步扩大范围。
    第二类是设备物联数据。主要指工业生产设备和目标产品在物联网运行模式下,实时产生收集的涵盖操作和运行情况、工况状态、环境参数等体现设备和产品运行状态的数据。此类数据是工业大数据新的、增长最快的来源。狭义的工业大数据即指该类数据,即工业设备和产品快速产生的并且存在时间序列差异的大量数据。
    第三类是外部数据。指与工业企业生产活动和产品相关的企业外部互联网来源数据,例如,评价企业环境绩效的环境法规、预测产品市场的宏观社会经济数据等。

    在智能制造中的应用
    工业大数据是智能制造的关键技术,主要作用是打通物理世界和信息世界,推动生产型制造向服务型制造转型。其在智能制造中有着广泛的应用前景,在产品市场需求获取、产品研发、制造、运行、服务直至报废回收的产品全生命周期过程中,工业大数据在智能化设计、智能化生产、网络化协同制造、智能化服务、个性化定制等场景都发挥出巨大的作用。

    与大数据技术的关系
    工业大数据应用是基于工业数据,运用先进的大数据相关思维、工具、方法,贯穿于工业的设计、工艺、生产、管理、服务等各个环节,使工业系统、工业产品具备描述、诊断、预测、决策、控制等智能化功能模式和结果。工业领域的数据累积到一定量级,超出了传统技术的处理能力,就需要借助大数据技术、方法来提升处理能力和效率,大数据技术为工业大数据提供了技术和管理的支撑。

    与工业软件的关系
    工业软件是指主要用于或专用于工业领域,为提高工业研发设计、业务管理、生产调度和过程控制水平的相关软件与系统。工业大数据与工业软件的关系:首先,工业软件承载着工业大数据采集和处理的任务,是工业数据的重要产生来源。其次,工业软件支撑实现工业大数据的系统集成和信息贯通。比如,传统工业软件以ERP为中心进行数据打通,新型工业软件将基于PLM等关键软件进行系统性集成。通过对外部设计工具、分散研发团队、MES与控制系统、第三方管理软件等多系统的集成,实现工厂从底大数据层到上层的信息贯通,推动工厂内“信息孤岛”聚合为“信息大陆”
    工业云是通过信息资源整合为工业提供服务支持的一种智能服务。通过云计算、物联网、大数据和工业软件等技术手段,将人、机、物、知识等有机结合,为工业构建了一种特有的服务生态系统,向用户提供资源和能力共享服务,如云存储服务、云应用服务、云社区服务、云管理服务、云设计服务和云制造服务等。
    工业是国民经济的基础和支柱,也是一国经济实力和竞争力的重要标志。随着云计算、大数据和物联网等新兴技术的发展,全球掀起了以制造业转型升级为首要任务的新一轮工业变革,世界上主要的工业发达体纷纷制定工业再发展战略。

    中国制造 2025战略
    2015年5月,国务院正式印发《中国制造2025》规划。规划中提出将重点推动信息化与工业深度融合,把智能制造作为两化深度融合的主攻方向,着力发展智能装备和智能产品,推进生产过程智能化,培育新型生产方式,通过智能工厂的建设从而实现智能生产和智能制造,实现由集中生产向网络化异地协同生产转变、由传统制造企业向跨界融合企业转变以及由大规模批量生产向大规模定制生产转变,全面提升企业研发、生产、管理和服务的智能化水平。同年12月,工信部、国标委联合发布《国家智能制造标准体系建设指南(2015年版)》。指南中计划智能制造标准体系将在5年内建成并逐步完善,解决标准体系融合贯通、基础标准缺失的问题,建立起较为完善的智能制造标准体系。指南中确定工业大数据属于智能制大数据标准体系五大关键技术之一,并定义了工业大数据标准。

    为推动智能工厂的建设,国务院又发布了《促进大数据发展行动纲要》,系统部署大数据发展工作,推动大数据在工业研发设计、生产制造、经营管理、市场营销、售后服务等产品全生命周期、产业链全流程各环节的应用,分析感知用户需求,提升产品附加价值,打造智能工厂。建立面向不同行业、不同环节的工业大数据资源聚合和分析应用平台。抓住互联网跨界融合机遇,促进大数据、物联网、云计算和三维( 3D)打印技术、个性化定制等在制造业全产业链集成运用,推动制造模式变革和工业转型升级。随着世界主要国家的制造智能化转型战略的相继实施,工业大数据将日益成为全球制造业挖掘价值、推动变革的重要手段

  • 政府

    --智慧政府的建设,是推动智慧城市的发展的核动力

    中国智慧城市建设已经取得了瞩目的成就,各地的建设热情日益高涨。截至目前,全国100%的副省级以上城市、76%以上的地级城市和32%的县级市,总计约有500座城市已经明确提出正在建设新型智慧城市。

    智慧城市的建设离不开智慧政府。关于智慧政府,我们认为,智慧政府就是在智慧城市建设的基础之上,借用技术手段,形成虚拟空间中的政府形态,完成实体政府要履行的职责。智慧政府具有判断能力、分析能力、选择能力、行动能力和自适应能力,同时具备道德判断与选择能力。智慧政府会形成自己的数据积累、信息积累、知识积累,会形成自己的价值观,例如,可持续发展观、公平正义观等。

    随着物联网、云计算、移动互联网、Web2.0等新一代信息技术的新兴和发展,政府事务也变得日益复杂。早在2012年,大家就提出了“电子政务2.0”的概念,阐述了政务信息化顺应趋势必将由原来注重建设的“生产时代”跨入注重高效应用的“消费时代”,逐渐向云化、智慧化、个性化转变的观点。如今,随着信息技术的高速化发展,电子政务已然进入了一个全新的发展阶段——智慧政府。“政府信息化建设历经传统政府、数字政府、电子政务、移动政务等多个阶段后,虽已日趋成熟,但政府资源共享模式仍须完善,因信息化标准不统一等多种因素,政府信息资源仍散乱存放于各部门,信息孤岛依然存在,重复建设不时发生。

    确实,科学的政府资源共享模式、统一的信息化标准,无疑有助于城市建设的管理者、设计方、方案提供商、承建方等对新型智慧城市的建设建立统一的知识体系,并按照协调一致的要求开展各领域建设,保证新型智慧城市建设更加规范、集约、有序。

    值得注意的是,长期以来,为避免缺乏“顶层设计”,各城市在开展智慧城市建设中存在各自为政、信息孤岛、重复建设等问题,今年2018年6月份,国家市场监督管理总局、国家标准化管理委员会发布中华人民共和国《智慧城市顶层设计指南》(以下简称《设计指南》)国家标准,并将于2019年1月1日起正式执行。

    其中,在智慧城市顶层设计应遵循的基本原则方面,《设计指南》指出,一是坚持以人为本。以“为民、便民、惠民”为导向。二是因城施策。依据城市战略定位、历史文化、资源禀赋、信息化基础以及经济社会发展水平等方面进行科学定位,合理配置资源,有针对性地进行规划和设计。三是融合共享。以“实现数据融合、业务融合、技术融合,以及跨部门、跨系统、跨业务、跨层级、跨地域的协同管理和服务”为目标。四是协同发展。体现数据在城市群、中心城市以及周边县镇的汇聚和辐射应用,建立城市管理、产业发展、社会保障、公共服务等多方面系统发展体系。

    在创新驱动方面,《设计指南》提出,应体现新技术在智慧城市中的应用,体现智慧城市与创新创业之间的有机结合,将智慧城市作为创新驱动的重要载体,推动统筹机制、管理机制、运营机制、信息技术创新。此外,《设计指南》还在多元参与、绿色发展等方面提出基本原则。

    除了在国家层面出台顶层设计指导方案和多省区市纷纷加快智慧政府建设,更好打造智慧城市之外,从事智慧政府的相关研发公司也在做着努力。经过多年的积累发展,在构建虚拟政府方面取得了新的突破。在集约化设计方面采用底层一体化设计思想,在业务个性化设计方面采用协同进化理论,以数据为中心、以“软件即服务”模式为主导的“互联网+政务云服务”平台。

    关于创新,打造智慧政府应注重模式创新,在此方面,主要有几大创新。
    一是从顶层设计到统一建设依托于软件和互联网的智慧政府云应用软件应用服务(SaaS)平台。采用一对多的软件交付模式,即一套软件多个用户使用,实现个性化应用、数据隔离等需求,丰富、便利、高品质的云服务使得管理信息化向着云端发展。
    是从系统到数据服务方面,数据时代数据产生的价值越来越大,其中政府部门掌握的大数据,关系国计民生,具有更高价值密度。在总结多年政务建设经验的基础上,应该说现有的电子政务系统功能已不能满足于具体的数据服务,对政府数据的规划、治理、监控等服务需求已呈爆炸性增长。而此次的研发成果则可以提供组件化、可扩展的数据规划、数据治理、数据监控和数据服务。
    最后,从内部逻辑到全面考虑系统内外关联方面的改善将助力传统政务信息建设机制的升级,从而打造智慧政府新格局。

  • 学校

    --智慧校园建议已提上议事日程

    高校信息应用系统,在日常教学和管理中积累了大量历史数据,但这些海量数据却没有得到有效的分析和利用,各部门人员在日常数据录入和维护中只是通过统计和排序对数据进行简单的功能操作获得一些表面、浅显、价值不高的结果。构建一个大数据分析平台,从学校其他应用平台中抽取海量数据进行管理、整合、分析和利用,从中发现潜在问题和有价值的规律,并通过可视化的方式进行展示,能够为学校管理层提供科学决策的支持,并满足教师、学生的个性化需求,从而提高高校信息化服务的质量。

    1.构建目标
    (1)实现数据的共享和交换。将学校各应用系统的数据进行集成和整合,使来源各异、种类不一的各类数据可以相互使用,丰富数据的来源,打破系统间的信息孤岛,实现数据的共享和应用。
    (2)大数据的采集和存储。研制数据适配接口,对接校内各应用系统获取各类异构数据,并采用大数据主流的框架和系统对数据进行统一存储,为数据的挖掘和分析打好基础。
    (3)大数据分析与决策。采用数据挖掘、数理统计等相关技术,构建大数据分析框架,提取数据中隐含的、未知的、极具潜在应用价值的信息和规律,为学校的教务管理、科研管理、学生管理、后勤管理等各项工作提供决策和指导。

    2.构建原则
    (1)安全性。高校信息化工作中有许多保密性内容,大数据分析平台应采取安全性高的访问认证机制,同时在平台建设中要充分重视系统自身的安全性以及其他应用系统的安全性。
    (2)可扩展性。对高校教育大数据的分析和应用是一项长期持久的工作,随着管理工作的重点、教育信息化工作的变化推进,对于信息平台的规模和要求也会不断变化。因此,要求平台的设计和实施要具有良好的扩展性,以满足不断发展变化的要求。
    (3)灵活性。在平台的设计和实施中要考虑到与其他应用系统的整合,开发出多个类型的接口,能够灵活接入其他系统、拓展服务类型。

    3.总体框架
    平台应适应于大数据处理要求,能支持PB级数据管理。系统架构应高安全性、易扩展性,能够支持各类主流开发语言,并提供丰富的接口。同时能够支持结构化和非结构化数据的存储和应用。

    实现教学和管理的全面创新,构建高院校大数据分析平台是以高校战略发展规划为蓝本,以高校信息化建设纲要为依据而进行的创新性探索。以大数据建设顶层设计为基础,收集整合高校教育各方面所产生数据,从数据中提取出有价值的信息和模型,推动高校教育的全面创新。

    1.开展大数据顶层设计,以大数据应用全面推进学校发展
    大数据将成为推进学校发展的新动力,通过开展大数据顶层设计,对大数据获取、收集、整理、利用进行全面规划,从应用需求出发,明确建设目的和路径,明确什么要做,什么不要做,什么应该先做,什么应该后做,用什么模式做,做到什么程度,达到什么效果,以指导学校未来3-5年的大数据建设。

    2.快速推进教学和管理工作的信息化,建立丰富的数据来源
    用大数据方法全面分析现有教学和管理工作,新建或升级信息系统,对教学和管理实现全过程记录,建立丰富的数据收集渠道。
    如通过对现有远程教育系统进行全面升级,跳出远程教育的概念,实现对教学过程的全面支持,详细记录每个学生的学习行为数据,包括课程学习数据、视频观看数据、资料查阅数据、作业完成数据、互动交流数据、成绩数据等,将数据细分到每个行为细节,以提供超越传统系统的数据精细度,客观地反映出学习的实际状况。
    通过建立物联网应用,实现对物品、人员、安全等各方面管理的强大支撑,提升管理质量的同时积累大量管理数据和行为数据。

    3.基于个性化服务需求,建立大数据分析模型
    提供优秀的个性化服务是教育和管理的重要目标之一,大数据应用则是提供规模个性化服务的必要条件,而大数据分析模型的质量决定了数据的价值。一个平时被忽略的数据在好的模型中,会产生难以想象的作用。
    我们可以通过对学习行为数据的分析,了解学生的学习兴趣和学习效果,研究哪些学习方式是最容易被接受的,哪些课程的设计是最受欢迎的,或具体到某个作业问题回答的正确率以及横向和纵向的比较,并深层次的展现出其中的原因。这些数据被提供给教师,将对教学创新提供最为直接的支撑。
    通过对一卡通行为数据的分析,可以了解学生的日常行为规律和消费规律,了解学生行为与学习成绩、学校效果之间的关联关系,提供学生管理创新的依据。

    4.综合应用大数据成果,推动学校全面创新
    通过大数据的综合应用,可以建立对各项教育和管理工作的分析和判断,应用到实际工作中,从各个方面推动学校全面创新。
    通过对教学过程、学习行为、学习成绩、教学满意度、教师需求量、专业师资质量、专业成熟度、行动轨迹等综合分析,建立教师画像、学生画像、专业画像,直观了解优势和不足,预测发展状况。
    通过对学生人数、宿舍分配、教室使用、能源消耗、网络消耗、食堂消费、图书馆利用等进行综合分析,建立各资源利用率指数,实现数据可视化,引导管理工作的精细化和管理的扁平化。
    通过对一卡通、图书借阅、专业分布、课程分布、成绩、学习行为等进行聚类分析,发现具有某些特征的特殊群体及其独有的行为方式,并利用相关性数据进行挖掘,从中发现规律。
    通过对教学数据、教学效果、考勤记录、个人数据、管理数据进行综合分析,建立科学的、真实客观的教师绩效评价体系,改变传统人为评价的主观性,让大数据选出真正优秀的教师。