服装智能制造需用好数据资产

2022-04-20闻力生编辑赵颖

纺织科学研究 2022年3期

文/闻力生编辑/赵颖

大数据资产的本质是实现以智能设计、智能生产、智能管理为主的智能制造

近几年，智能制造成为服装行业发展的大势所趋。智能设计、智能生产、智能管理以及集成优化等内容构成服装的智能制造，而大数据资产的本质就是实现这些智能制造，推动企业传统制造模式和商业模式创新转型，因此，应用好数据资产成为服装行业实现智能制造的关键。

数据驱动企业高效运行

数据资产的概念是由信息资源和数据资源的概念演变而来的。20 世纪70年代，人们把信息看作和人力、物质、财务和自然同等重要的资源；20 世纪90年代,随着政府和企业的数字化转型而产生了数据资源，此时，作为信息的数字变为数据在集结到一定规模后，被称作数据资源；21 世纪初,由于大数据技术的兴起及应用产生了数据资产, 数据管理、数据应用、数字经济的发展使数据资产得到普及。所以，数据资产是一个数据集，包含数据权限（指所有权、使用权、探索权），且有价值、可衡量、可读取、可交易。

2020年4月9日，中共中央国务院公布的《关于构建更加完善的要素市场化配置体制机制的意见》中，明确指出生产要素包括土地、劳动力、资本、技术、数据这五类, 这五要素也是资产，即土地资产、劳动力资产、资本资产、技术资产及数据资产。

近几年，全球数据年均增速都在20%以上。数据资产的增速远超技术、人力、资金、土地资产的增速。据国际数据公司IDC 发布的统计数据显示，2018年中国的数据产生量约占全球的23%，仅低于EMEA（欧洲、中东、非洲）约30%的数据产生量，是国际上名列前茅的数据资源大国和全球数据中心，由图1可见，其中代表亚太和日本地区的APJxC 占18%。

图1 全球数据分布域

图2可以看出全球大数据2011—2027年市场规模预测(亿美元)。我国大数据产业生态联盟及赛迪发布的《2020 中国大数据产业发展白皮书》指出，2020年，中国大数据产业整体市场规模约达到6670.2 亿元，到2022年将突破万亿元。根据这个数据进一步预判，到2025年中国大数据产业整体市场规模将达到17568 亿元左右（见图3）。

图2 2011-2027年全球大数据市场规模预测（单位：亿美元）

图3 2020-2025 中国大数据产业规模（单位：亿元）

作为资产的数据有它独有的特征：可交易，具有资源丰富、更新频繁、类别多样等信息价值；可流通使用，具有持续产生和不断创造价值的自然增值属性；具备满足人类生存和发展的多维性，以及零成本无限共享和集聚使用价值高等。

作为资本资产的所有者,只有使用了数据资产才能体现出数据的价值。数据的价值和以下一些因素相关：数据应用频次高、集聚多，数据价值越高；反之，数据时效长、分享多，数据价值越低。

对服装制造业而言,何时、将什么样的数据、以何种方式传递给人和机器，是提升制造的科学性、实时性和有效性的关键，而数据的全自动化流动的本质就是用数据驱动企业运行。

应用好数据资产是关键

我国制造业智能制造的落地需要与企业信息化、数字化、智能化三步战略相结合并逐步推进。企业信息化是数据、知识采集的基础，也是决策智能化的启动阶段；企业数字化转型阶段需要将企业各领域的数据知识进行采集、清洗、分析处理，形成可用的、有价值的大数据资产；企业智能化阶段是充分应用大数据资产实现企业业务的智能化,也就是实现企业的智能制造（见图4）。由此可见,在企业实现智能制造三步战略进程中,数据价值在不断地递升，也就是有了数据才有大数据，有了大数据才有人工智能，有了人工智能才能实现智能制造。

图4 企业信息化、数字化、智能化三步战略

应用好数据资产是制造业实现智能制造的关键。大数据技术包括数据采集、保管、存储、搜索、共享、传递、分析和可视化, 以下三方面为重中之重：

采集好数据资产

制造业的大数据主要为产品数据、运营数据、价值链数据和外部数据。其中工业大数据主要来源于机器设备数据、工业信息化数据和产业链相关数据等, 当然还包括海量的Key-Value 数据、文档数据、接口数据、视频数据、图像数据、音频数据等。

常用的数据采集方式多为不同类型的工业传感器和RFID 射频技术等。

分析好数据资产

采集到的数据需要进行分析。数据分析处理可以追溯到1999年欧盟SIG 组织提出的标准模型“CRISP-DM”，该标准的流程为：商业理解——明确目标，分析需求；数据理解——采集、描述、探索、检验；数据准备——选择、清洗、构造、整合、格式化数据；建立模型——选择建模技术、参数调优、测试、计划、构建模型；评估模型——模型全面评价、评价结果、重审过程；结果部署——分析结果、方案实施应用。

应用分析后的数据，才是大数据的意义所在，在服装制造业中指的是：

加工设备状态数据分析。对分析后的数据进行输出和展示，可以让工作人员在第一时间了解生产过程中的实时状态、加工工艺数据等，以便于做出快速、及时和科学的决策。

生产制造工艺数据优化。主要表现在两方面：一方面是设备工艺参数监控，将采集到的设备工艺参数，如温度、压力等，与设定的标准参数进行实时比对与管控，从而实现对生产过程进行实时、动态、严格的工艺控制，确保产品质量的稳定性；另一方面是加工工艺改进与优化，对制造过程的主要工艺参数与完工后的产品合格率进行综合分析，便于对加工工艺进行改进与优化。

生产过程追溯。通过产品加工制造的过程数据实现对产品制造历史的追溯，达到问题复现、质量追溯等目的。

保护好数据资产

数据资产安全在服装制造业存在三个问题，一是数据资产繁杂，数据风险无法量化；二是数据使用安全风险较大，数据使用中没有进行动态数据管控；三是数据安全风险面广。因此，保护数据安全十分重要。这里罗列部分数据安全方案:

戴尔“ 避风港” 方案（Cyber Recovery Vault）。它具有Air Gap 网闸隔离机制和副本锁定机制，以阻断勒索软件的接触，从而大大降低病毒感染备份数据的机率。备份数据存储在生产端的存储设备上之后，与Cyber Recovery Vault 区存储设备建立复制链接，通过内部网络和专用接口，将备份数据从生产中心复制到Cyber Recovery Vault 区（数据隔离保存库）。Cyber Recovery Vault 区对网络攻击者“隐身”，阻断勒索软件感染备份资料的机率。一旦数据同步完毕即可关闭Air Gap 网闸，数据访问路径被断开禁用。同时，为了防止备份文件被恶意删除，系统可对隔离保存库内的数据进行锁定，以保证备份数据拷贝副本不可加密、不可篡改、不可删除。

谷歌云平台。企业可以在数据保护得到保障的情况下过渡到云平台。谷歌云平台已完成平台向开放性和云计算的巨大转变，为企业带来了更强大的数据资产和更好更安全的数据分析能力。谷歌云平台开放式基础设施让客户可以选择最适合自身业务的上云路径。有了谷歌云的基础设施、数据和人工智能机器学习解决方案，降低了数据上云及分析处理的难度。

具有安全管控系统的曙光大数据平台。曙光大数据平台是结合大数据技术的海量数据智能分析处理解决方案,能帮助企业用户快速构建高效、智能、易用的一体化大数据系统，挖掘数据价值。曙光大数据分析平台采用融合的技术架构，深度实现存储融合、计算融合、调度融合、多源数据融合、业务流程融合，构建体系化融合的整体系统。

创新奇智的“Orion 自动化机器学习（AutoML）平台”。该平台主要帮助客户用好数据资产，提高数据决策能力,赋能客户运行业务。该平台是一套符合未来数据智能范式的，拥有可灵活选择、配置的三层结构，面向企业客户，以私有化部署为主的系列产品和解决方案。Orion 数据智能引擎主要包括三大产品单元,即：Orion IRC——智能资源调度管理，提供计算资源管理和数据资产地图；Orion DAC——智能数据融合管理，支持数据动态融合，实现数据供应链的布局与管理；Orion AML——自动化机器学习，基于数据完成智能决策。

TalkingData 数据安全岛平台。TalkingData“安全岛”是基于业界领先的可信的数据计算技术，构建起安全合规的多方数据融通一站式平台，提供面向不同业务场景的数据产业化应用与价值释放新模式。为了能够平滑地将TalkingData 的数据服务和数据能力完整地应用于客户这一侧，其安全岛解决方案,其实就是一个安全计算平台，出发点是让客户在平台上实现安全合规的数据价值交换，保护隐私，帮助客户弥补数据能力上的不足，真正释放数据的价值。

数据资产应用贯穿制造全流程

实现智能制造必须要有真正落地的人工智能，而真正的人工智能又要依靠大数据、先进算法模型和超大的计算能力（例如CPU/GPU/TPU）来实现。

智能设计、智能生产、智能管理以及集成优化等内容构成服装的智能制造，而大数据资产的本质就是实现这些智能制造，推动服装产业的变革，具体实践和效用可包括以下内容：

为开拓市场提供数据支撑

服装企业依靠大数据战略拓宽服装行业调研数据的广度和深度，服装市场构成、细分市场特征、消费者需求和竞争者状况等信息都可从大数据中得到，再通过系统的信息数据收集、管理和分析，得出解决问题的方案和建议，保证企业产品在市场定位的独具性，提高企业产品在市场的接受度。服装市场会根据大数据给出的区域人口分布、消费水平、产品认知、客户消费习惯、工作消费喜好等因素进行分析，得出市场定位，为企业进入或开拓服装市场提供数据支持。

可替代设计师的智能服装设计

现在的服装设计大部分仍然采用尚未智能化的传统服装CAD 进行，如果采用了智能CAD，就可替代设计师。例如，2019年美国麻省理工学院利用AI技术中的GAN 模型进行服装设计。所谓GAN 是一种深度学习模型，全称是“Generative Adversarial Networks”，中文为“生成式对抗网络”。GAN 设计出两个神经网络，通过一个生成、一个判断进行博弈。例如在连衣裙的设计上，研究人员收集了大约 5000 张过去的连衣裙时装样式的图片大数据，一个为GAN的生成模型，一个为GAN 的相对抗的判断模型，随后通过几天的训练，就可得到新设计的连衣裙时装样式。