服裝智能制造需用好數據資產

文/聞力生 編輯/趙穎

大數據資產的本質是實現以智能設計、智能生產、智能管理為主的智能制造

近幾年，智能制造成為服裝行業發展的大勢所趨。智能設計、智能生產、智能管理以及集成優化等內容構成服裝的智能制造，而大數據資產的本質就是實現這些智能制造，推動企業傳統制造模式和商業模式創新轉型，因此，應用好數據資產成為服裝行業實現智能制造的關鍵。

數據驅動企業高效運行

數據資產的概念是由信息資源和數據資源的概念演變而來的。20 世紀70年代，人們把信息看作和人力、物質、財務和自然同等重要的資源；20 世紀90年代,隨著政府和企業的數字化轉型而產生了數據資源，此時，作為信息的數字變為數據在集結到一定規模后，被稱作數據資源；21 世紀初,由于大數據技術的興起及應用產生了數據資產, 數據管理、數據應用、數字經濟的發展使數據資產得到普及。所以，數據資產是一個數據集，包含數據權限（指所有權、使用權、探索權），且有價值、可衡量、可讀取、可交易。

2020年4月9日，中共中央國務院公布的《關于構建更加完善的要素市場化配置體制機制的意見》中，明確指出生產要素包括土地、勞動力、資本、技術、數據這五類, 這五要素也是資產，即土地資產、勞動力資產、資本資產、技術資產及數據資產。

近幾年，全球數據年均增速都在20%以上。數據資產的增速遠超技術、人力、資金、土地資產的增速。據國際數據公司IDC 發布的統計數據顯示，2018年中國的數據產生量約占全球的23%，僅低于EMEA（歐洲、中東、非洲）約30%的數據產生量，是國際上名列前茅的數據資源大國和全球數據中心，由圖1可見，其中代表亞太和日本地區的APJxC 占18%。

圖1 全球數據分布域

圖2可以看出全球大數據2011—2027年市場規模預測(億美元)。我國大數據產業生態聯盟及賽迪發布的《2020 中國大數據產業發展白皮書》指出，2020年，中國大數據產業整體市場規模約達到6670.2 億元，到2022年將突破萬億元。根據這個數據進一步預判，到2025年中國大數據產業整體市場規模將達到17568 億元左右（見圖3）。

圖2 2011-2027年全球大數據市場規模預測（單位：億美元）

圖3 2020-2025 中國大數據產業規模（單位：億元）

作為資產的數據有它獨有的特征：可交易，具有資源豐富、更新頻繁、類別多樣等信息價值；可流通使用，具有持續產生和不斷創造價值的自然增值屬性；具備滿足人類生存和發展的多維性，以及零成本無限共享和集聚使用價值高等。

作為資本資產的所有者,只有使用了數據資產才能體現出數據的價值。數據的價值和以下一些因素相關：數據應用頻次高、集聚多，數據價值越高；反之，數據時效長、分享多，數據價值越低。

對服裝制造業而言,何時、將什么樣的數據、以何種方式傳遞給人和機器，是提升制造的科學性、實時性和有效性的關鍵，而數據的全自動化流動的本質就是用數據驅動企業運行。

應用好數據資產是關鍵

我國制造業智能制造的落地需要與企業信息化、數字化、智能化三步戰略相結合并逐步推進。企業信息化是數據、知識采集的基礎，也是決策智能化的啟動階段；企業數字化轉型階段需要將企業各領域的數據知識進行采集、清洗、分析處理，形成可用的、有價值的大數據資產；企業智能化階段是充分應用大數據資產實現企業業務的智能化,也就是實現企業的智能制造（見圖4）。由此可見,在企業實現智能制造三步戰略進程中,數據價值在不斷地遞升，也就是有了數據才有大數據，有了大數據才有人工智能，有了人工智能才能實現智能制造。

圖4 企業信息化、數字化、智能化三步戰略

應用好數據資產是制造業實現智能制造的關鍵。大數據技術包括數據采集、保管、存儲、搜索、共享、傳遞、分析和可視化, 以下三方面為重中之重：

采集好數據資產

制造業的大數據主要為產品數據、運營數據、價值鏈數據和外部數據。其中工業大數據主要來源于機器設備數據、工業信息化數據和產業鏈相關數據等, 當然還包括海量的Key-Value 數據、文檔數據、接口數據、視頻數據、圖像數據、音頻數據等。

常用的數據采集方式多為不同類型的工業傳感器和RFID 射頻技術等。

分析好數據資產

采集到的數據需要進行分析。數據分析處理可以追溯到1999年歐盟SIG 組織提出的標準模型“CRISP-DM”，該標準的流程為：商業理解——明確目標，分析需求；數據理解——采集、描述、探索、檢驗；數據準備——選擇、清洗、構造、整合、格式化數據；建立模型——選擇建模技術、參數調優、測試、計劃、構建模型；評估模型——模型全面評價、評價結果、重審過程；結果部署——分析結果、方案實施應用。

應用分析后的數據，才是大數據的意義所在，在服裝制造業中指的是：

加工設備狀態數據分析。對分析后的數據進行輸出和展示，可以讓工作人員在第一時間了解生產過程中的實時狀態、加工工藝數據等，以便于做出快速、及時和科學的決策。

生產制造工藝數據優化。主要表現在兩方面：一方面是設備工藝參數監控，將采集到的設備工藝參數，如溫度、壓力等，與設定的標準參數進行實時比對與管控，從而實現對生產過程進行實時、動態、嚴格的工藝控制，確保產品質量的穩定性；另一方面是加工工藝改進與優化，對制造過程的主要工藝參數與完工后的產品合格率進行綜合分析，便于對加工工藝進行改進與優化。

生產過程追溯。通過產品加工制造的過程數據實現對產品制造歷史的追溯，達到問題復現、質量追溯等目的。

保護好數據資產

數據資產安全在服裝制造業存在三個問題，一是數據資產繁雜，數據風險無法量化；二是數據使用安全風險較大，數據使用中沒有進行動態數據管控；三是數據安全風險面廣。因此，保護數據安全十分重要。這里羅列部分數據安全方案:

戴爾“ 避風港” 方案（Cyber Recovery Vault）。它具有Air Gap 網閘隔離機制和副本鎖定機制，以阻斷勒索軟件的接觸，從而大大降低病毒感染備份數據的機率。備份數據存儲在生產端的存儲設備上之后，與Cyber Recovery Vault 區存儲設備建立復制鏈接，通過內部網絡和專用接口，將備份數據從生產中心復制到Cyber Recovery Vault 區（數據隔離保存庫）。Cyber Recovery Vault 區對網絡攻擊者“隱身”，阻斷勒索軟件感染備份資料的機率。一旦數據同步完畢即可關閉Air Gap 網閘，數據訪問路徑被斷開禁用。同時，為了防止備份文件被惡意刪除，系統可對隔離保存庫內的數據進行鎖定，以保證備份數據拷貝副本不可加密、不可篡改、不可刪除。

谷歌云平臺。企業可以在數據保護得到保障的情況下過渡到云平臺。谷歌云平臺已完成平臺向開放性和云計算的巨大轉變，為企業帶來了更強大的數據資產和更好更安全的數據分析能力。谷歌云平臺開放式基礎設施讓客戶可以選擇最適合自身業務的上云路徑。有了谷歌云的基礎設施、數據和人工智能機器學習解決方案，降低了數據上云及分析處理的難度。

具有安全管控系統的曙光大數據平臺。曙光大數據平臺是結合大數據技術的海量數據智能分析處理解決方案,能幫助企業用戶快速構建高效、智能、易用的一體化大數據系統，挖掘數據價值。曙光大數據分析平臺采用融合的技術架構，深度實現存儲融合、計算融合、調度融合、多源數據融合、業務流程融合，構建體系化融合的整體系統。

創新奇智的“Orion 自動化機器學習（AutoML）平臺”。該平臺主要幫助客戶用好數據資產，提高數據決策能力,賦能客戶運行業務。該平臺是一套符合未來數據智能范式的，擁有可靈活選擇、配置的三層結構，面向企業客戶，以私有化部署為主的系列產品和解決方案。Orion 數據智能引擎主要包括三大產品單元,即：Orion IRC——智能資源調度管理，提供計算資源管理和數據資產地圖；Orion DAC——智能數據融合管理，支持數據動態融合，實現數據供應鏈的布局與管理；Orion AML——自動化機器學習，基于數據完成智能決策。

TalkingData 數據安全島平臺。TalkingData“安全島”是基于業界領先的可信的數據計算技術，構建起安全合規的多方數據融通一站式平臺，提供面向不同業務場景的數據產業化應用與價值釋放新模式。為了能夠平滑地將TalkingData 的數據服務和數據能力完整地應用于客戶這一側，其安全島解決方案,其實就是一個安全計算平臺，出發點是讓客戶在平臺上實現安全合規的數據價值交換，保護隱私，幫助客戶彌補數據能力上的不足，真正釋放數據的價值。

數據資產應用貫穿制造全流程

實現智能制造必須要有真正落地的人工智能，而真正的人工智能又要依靠大數據、先進算法模型和超大的計算能力（例如CPU/GPU/TPU）來實現。

智能設計、智能生產、智能管理以及集成優化等內容構成服裝的智能制造，而大數據資產的本質就是實現這些智能制造，推動服裝產業的變革，具體實踐和效用可包括以下內容：

為開拓市場提供數據支撐

服裝企業依靠大數據戰略拓寬服裝行業調研數據的廣度和深度，服裝市場構成、細分市場特征、消費者需求和競爭者狀況等信息都可從大數據中得到，再通過系統的信息數據收集、管理和分析，得出解決問題的方案和建議，保證企業產品在市場定位的獨具性，提高企業產品在市場的接受度。服裝市場會根據大數據給出的區域人口分布、消費水平、產品認知、客戶消費習慣、工作消費喜好等因素進行分析，得出市場定位，為企業進入或開拓服裝市場提供數據支持。

可替代設計師的智能服裝設計

現在的服裝設計大部分仍然采用尚未智能化的傳統服裝CAD 進行，如果采用了智能CAD，就可替代設計師。例如，2019年美國麻省理工學院利用AI技術中的GAN 模型進行服裝設計。所謂GAN 是一種深度學習模型，全稱是“Generative Adversarial Networks”， 中文為“生成式對抗網絡”。GAN 設計出兩個神經網絡，通過一個生成、一個判斷進行博弈。例如在連衣裙的設計上，研究人員收集了大約 5000 張過去的連衣裙時裝樣式的圖片大數據，一個為GAN的生成模型，一個為GAN 的相對抗的判斷模型，隨后通過幾天的訓練，就可得到新設計的連衣裙時裝樣式。

縫制加工工藝參數調優

縫紉機的參數會影響其運行，例如縫制車速、縫線張力、線跡形式、線跡大小等。在縫制前需要預先設置參數，最優縫制參數可通過參數大數據和人工智能中的機器視覺技術、機器學習和深度學習技術得出，從而達到最好的服裝縫制質量。