3S Market deliver Smart and Valuable information for Business
3S Market 傳遞 智慧應用與價值的商業資訊
smart manufacturing industry 4.0
工業 4.0 智慧工廠
智慧車載交通與能源環保
|
智慧經營管理
2019年7月10日 星期三
．自動化早已不是那個自動化了
Nokia news studio on digital automation - trailer
 |
【3S MARKET】你還在試圖抵擋、抵制數位化嗎？當工業 4.0 正式揭櫫傳統工業走向全數據化的當頭，繼續杯葛任何數位化，必須佩服這樣的勇氣！這篇報導，明確描述自動化行業領域也在數位化……
來源：说东道西 作者：宋华振
工業網路如此熱潮洶湧，也引發了關於它究竟姓「工」，還是姓「網」的問題，不過，在我看來，這個問題的糾纏，多少各自還是有些「自我中心」意識的。
雖然之前我也的確觀察到 IT 界對工業的缺乏瞭解，而有些自以為是的，然而，不得不承認，ICT技術的確有非常大的潛力，為製造業創造了一些空間。
其實，如果我們都站在使用端的角度看問題—我們必須說，工業網路都是必須服務於客戶，價值的判斷和選擇實際上，由用戶體驗來決定，而另一方面，侃侃而談並非務實之道，解決問題才是王道，大概是因為 OT 端的人，一直在現場忙設備調試運行，沒時間寫 PPT。
雖然之前我也的確觀察到 IT 界對工業的缺乏瞭解，而有些自以為是的，然而，不得不承認，ICT技術的確有非常大的潛力，為製造業創造了一些空間。
其實，如果我們都站在使用端的角度看問題—我們必須說，工業網路都是必須服務於客戶，價值的判斷和選擇實際上，由用戶體驗來決定，而另一方面，侃侃而談並非務實之道，解決問題才是王道，大概是因為 OT 端的人，一直在現場忙設備調試運行，沒時間寫 PPT。
斷代式的發展對於自動化的誤解
當然，作為一個自動化人，對於當前的形勢，也有一些意見，因為一個非常普遍的現象，人們都以「斷代史」的方式，把製造業的發展過程，順序羅列為機械化、自動化、數位化、智慧化，當然了，各種羅列不盡相同，卻顯然分明的，把自動化給列為一個過程，似乎智慧化是一個更高的過程，而自動化只是一個低級的過程。
顯然，真實的工業並非如此，因為現場沒有一個純粹的自動化，而沒有機械、數位化、智慧化，也不會只有智慧化的時代，而自動化沒有了的過程，在邏輯上這也站不住腳，因為，機械、自動化控制、資訊系統、智慧應用，這往往是一個垂直的層面考量的問題，而非歷史順序的過程。
因此，不適合以「斷代史」的方式，來定義自動化在其中的角色與位置，而且，這種斷代定義，也並不符合事實中，自動化技術與智慧化技術，相互之間的融合滲透，也不能反映見天自動化公司，基本上都已經是一個綜合體的事實。
自動化並非是一個製造業中的斷代史，在未來，它一直處於變化中，一直在尋找數位技術、智慧技術，各種技術融合來解決生產問題，難道，自動化行業這個名字該換換了？
自動化遠非過去的自動化
事實上，人們總是會把自動化理解為 PLC、伺服驅動、HMI、電機，而事實上，自動化的角色不斷的在延伸，自動化行業接近現場，不斷的要去為現場解決問題，這使得自動化中的問題變得更為全面，整體，而非局部的產品概念。
比較顯著的幾個特徵，已經成為自動化發展的說明：
越來越多的自動化企業意識到軟體的重要性，你會發現在自動化行業裡，存在著無處不在的軟體，包括幾個方面：
（1）基礎的RTOS，無論是 RTOS（VxWorks、QNX、μC/OS-II等）還是基於 RT-Linux，Windows Embedded，至少，缺乏操作系統的純硬體邏輯 PLC，目前已經比較少了，因為，需要在這個基礎上，運行各種開發環境、程序調度，包括多線程任務處理，不同任務等級。
（2）軟體工程的重要性，傳統基於邏輯的程式，一個程式員一個循環可以，但是，今天，我們要寫複雜的算法，像PLCopen PartIV 中機器人、CNC 與定位同步控制，專業庫如濾波、基礎軸與 CNC、液壓等，再高級到行業級的應用算法，都是軟體。
（3）開放的軟體接口：像 SIEMENS、B＆R、RA這些都有針對 MATLAB/Simulink的建模仿真接口，可以機電軟體化設計，包括數位孿生技術的推進，這些都是軟體。
（4）數位化平台的構架：ABBAbility，SIEMENS Mindshpere這些自動化廠商已經延伸到了邊緣側、私有雲端，以及後台的應用開發、智慧算法的整合階段。
如果你從上面，這些軟體的角度再去看自動化，你會把自動化理解為一個只是賣PLC、電機驅動的行業嗎？
數位化也是自動化一直在推進的
當然，很多人把數體化，理解為 CAD、CAE、CAPP 這些軟體稱為數位化，不過，這是設計數位化部分，而另一個部分是現場營運數位化，工業數位化中最直接的就是現場總線，本身就是為了把現場的信號數位化。
首先為了便於傳輸（降低干擾），而且也是為了後面的計算處理更為直接，從最初的Modbus、CAN、Profibus、DeviceNet，CANopen，再發展到 Profinet、POWERLINK、EtherCAT、Ethernet/IP、CC-Link IE，再到今天的 OPC UA over TSN 技術，各家自動化廠商，一直在推進數位化的進程。
首先為了便於傳輸（降低干擾），而且也是為了後面的計算處理更為直接，從最初的Modbus、CAN、Profibus、DeviceNet，CANopen，再發展到 Profinet、POWERLINK、EtherCAT、Ethernet/IP、CC-Link IE，再到今天的 OPC UA over TSN 技術，各家自動化廠商，一直在推進數位化的進程。
這個數位化的進程，與現場工業應用緊密相關，最初，只是為瞭解決信號控制問題，傳輸干擾抑制、接線複雜性、遠端採集與控制問題，後來隨著機器的自動化程度提高，對於運動控制、機器人等應用的需求，提出了即時乙太網技術 — 這是對較為通用的低成本網路的需求。
而借助於IT技術實現，再往後發展，隨著與管理系統的交互、機器的互聯的需求，而產生了對「資訊」的需求，以及互操作的需求，因此產生了 OPC UA，以及 TSN 為協同即時、非即時數據統一傳輸的問題。
而借助於IT技術實現，再往後發展，隨著與管理系統的交互、機器的互聯的需求，而產生了對「資訊」的需求，以及互操作的需求，因此產生了 OPC UA，以及 TSN 為協同即時、非即時數據統一傳輸的問題。
OPC UA 的價值，遠非是一個互操作的規範，它是數位化中關於資訊模型、安全性、傳輸、預處理、行業都整合的規範與標準。
有些人反映，為什麼我們的資產管理，包括編碼尚未能夠統一，怎麼進行車間管理，我告訴他 AutoID 是 OPC UA 一個伴隨協議，可以解決這個問題，垂直行業資訊模型 — PackML、Euromap 可以解決，VDMA 還開發了機器人與視覺的協同資訊模型，包括工業 4.0 的管理殼，也基於 OPC UA 來實現。
最近和 OPC UA 基金會的朋友聊過這個話題，其實在 MES 推進中，最大的問題，在於缺乏 OPC UA 這樣的統一規範，因此，MES 項目往往會很大的工程投入，使用端代價高昂，而供應者卻也因為工程投入大，而盈利極低，大家都很艱苦，如果採用 OPC UA 就會大幅降低工程成本，數位化，也需要好的方法和工具啊！
最近和 OPC UA 基金會的朋友聊過這個話題，其實在 MES 推進中，最大的問題，在於缺乏 OPC UA 這樣的統一規範，因此，MES 項目往往會很大的工程投入，使用端代價高昂，而供應者卻也因為工程投入大，而盈利極低，大家都很艱苦，如果採用 OPC UA 就會大幅降低工程成本，數位化，也需要好的方法和工具啊！
數位化 - 難道不是自動化人一直在做的事情嗎？
這件事也很有意思，不要今天看到火熱的 AI 場景，我們就認為 AI 將要如何的重要，其實，工業裡的智慧算法，早就在進行，包括邊緣層的策略分析、路徑優化，運籌與系統工程的發展，也是數十年時間了。
包括在 PLC 裡，實現機器學習，這完全是可行的，因為今天的 PLC 早已不是當年的硬體邏輯指令的控制器了，包括像貝加萊基於 RTOS + Windows 的 PLC （可採用 C/C++ 開發）或 APROL 平台（可採用 Python 編程）都可以，因此，不能再按照傳統的眼光去看待自動化。
包括在 PLC 裡，實現機器學習，這完全是可行的，因為今天的 PLC 早已不是當年的硬體邏輯指令的控制器了，包括像貝加萊基於 RTOS + Windows 的 PLC （可採用 C/C++ 開發）或 APROL 平台（可採用 Python 編程）都可以，因此，不能再按照傳統的眼光去看待自動化。
而就控制論本身，在數十年前就已經有，各種關於智慧化的模型、方法與實踐，關鍵在於「經濟性」，就像去年和幾個朋友談到某公司，把十多年前許強博士，關於驅動的智慧算法拿出來用，因為以前這樣的算法，執行所需的處理晶片成本非常高，而今天 FPGA 成本已經很低了。
因此，具有經濟性了，同樣，在過去針對具有複雜動態工況下的，多迴路 PID 耦合解耦計算，需要非常較強的處理能力，而傳統上，普通的控制器和 PC ，都沒有這樣的算力。
而建構一個高速動態計算網路，對於很多工業場景而言，又是代價高昂的。而今天 ICT 技術使得伺服器、高即時響應網路、軟體算法的測試驗證，都具有了經濟性，才能使得原本自動化領域的很多智慧化算法，能夠被真正投入產業應用。
這種應用可以有兩種模式，一種是自動化系統，借助於 AI 晶片、軟體將算法整合到本地，或者大時間顆粒的大量數據，放在雲端進行計算，這都取決於哪個更為經濟適用，而非誰的技術更牛。
因此，具有經濟性了，同樣，在過去針對具有複雜動態工況下的，多迴路 PID 耦合解耦計算，需要非常較強的處理能力，而傳統上，普通的控制器和 PC ，都沒有這樣的算力。
而建構一個高速動態計算網路，對於很多工業場景而言，又是代價高昂的。而今天 ICT 技術使得伺服器、高即時響應網路、軟體算法的測試驗證，都具有了經濟性，才能使得原本自動化領域的很多智慧化算法，能夠被真正投入產業應用。
這種應用可以有兩種模式，一種是自動化系統，借助於 AI 晶片、軟體將算法整合到本地，或者大時間顆粒的大量數據，放在雲端進行計算，這都取決於哪個更為經濟適用，而非誰的技術更牛。
因此，任何的創新，都是基於經濟性為先導的，技術早就存在了，甚至我們今天討論的所有這些問題，他們都會有二三十年以上的歷史淵源了，只是，隨著經濟性越來越強，這些問題才能被真正投入應用而已。
因此，OT 和 IT 在工業網路時代，姓什麼並不重要，一方面，相互要各自發揮自己的擅長的，並以開放的心態相互融合，在規範和標準的接口建構上下功夫，相互融合，共同解決問題。
但是，自動化也的確，並非傳統我們理解的就是PLC，伺服驅動與電機的產品，它早已與數位化、智慧化邊界模糊，正在成為製造業升級的核心力量。成為工業網路的 OICT 融合中的落地執行者。
但是，自動化也的確，並非傳統我們理解的就是PLC，伺服驅動與電機的產品，它早已與數位化、智慧化邊界模糊，正在成為製造業升級的核心力量。成為工業網路的 OICT 融合中的落地執行者。
 |
| 台灣區電信工程工業同業公會 |
．亞馬遜 25 歲了，當年人們是怎麼看它的
Amazon is 25 years old today, here's how much has changed for Jeff Bezos
 |
ifanr
創立於 1994 年 7 月 5 日的亞馬遜，今天已經 25 歲了。
雖然前幾天亞馬遜中國正式關閉自營紙質書售賣服務，並將停止為第三方賣家提供賣家服務。但它依然是美國線上零售巨頭、雲端服務提供商，並以 9546 億美元，位居全球市值最高的科技公司之一。
亞馬遜成立於網路剛剛起步的 1994 年，當時的傑夫 · 貝索斯需要經常回答的一個問題是「什麼是網路」。
他曾經參加了 60 場投資見面會，說服 22 人拿到 100 萬美元，接著在 1995 年推出了線上購書的網站和服務。
亞馬遜網上書店上線後，給當時的消費者帶來最大的改變，就是他們可以在網路上，隨時找到一些珍惜的書籍。
然而在此之前，人們要想獲得一本少有的書，一般需要花費人力、時間去書店尋找，甚至透過書店向出版社等管道，進行預訂。
這種在家連網上就能買書的體驗，在 25 年前真的是革命性的體驗。
就像罐頭在 1810 年由英國人彼得 · 杜蘭德發明，開罐器卻是在 1858 年才被發明出來。亞馬遜在 1995 年推出書籍網購業務時，網路支付鼻祖 PayPal 在 1998 年 12 月才創建。
當時網路支付並不發達，當時美國人透過亞馬遜買書時，可以使用信用卡支付，但需要透過撥打免費電話，告知自己的信用卡資訊，或者把信用卡資訊傳真到指定的地方。
當時亞馬遜的配送費也不便宜，除了每一單需要支付 3 美元郵費，還要為每一本書支付 0.95 美元的付費用。相比之下，如今的亞馬遜已經會為會員，或者訂單價格超過一定金額的消費者免費配送。
在 1996 年時，貝索斯曾向媒體表示，他們的訂單有 60% 來自回頭客，也就是說用戶粘度相當高。
不過當時也有人吐槽，要在亞馬遜上買一本書，所需要進行的步驟太多太麻煩了。
華爾街日報在 2013 年，曾經對多家科技巨頭的第一名員工進行了採訪，其中亞馬遜的第一名員工是 Shel Kaphan。
Shel Kaphan 當時想要在網路公司工作，他喜歡看書，而且曾在實體書店工作過，因此他被線上書店的工作吸引。亞馬遜的技術基礎由他一手打造，在最初的一個月裡，他是唯一的技術人員。
剛開始 Kaphan 並沒有意識到亞馬遜的潛力，當時他覺得自己把亞馬遜的系統搭建好了以後，就會回到南方，然後偶爾登陸一下就可以。
然而公司的遠遠成長超出了他的預料，在當時連續六個季的業務量成長一倍後，Kaphan 的感受是：
好吧，不管亞馬遜會發展成什麼樣子，都比我想像中的規模要大。
隨著亞馬遜的不斷成長並在 1997 年上市，Kaphan 最終在 1999 年離開了亞馬遜。
25 年過去，亞馬遜已經擁有超過 64.75 萬員工。這個最初小小的購書網站，已經成為囊括各類商品的電商平台，並且把控著美國 42% 的紙質書和 88.9% 的電子書市場。
業務從線上零售，到收購線下全食超市，亞馬遜雲也已經佔領了全球雲服務的 40%。
誰會想到 25 年前的網站，會成為如今的科技巨頭呢？
．認知計算將如何影響製造業？
Cognitive Manufacturing with Watson IoT
 |
來源：OFweek工控网
近年來，物聯網、大數據和人工智慧等技術快速發展，並衍生出多個行業的智慧化應用，例如自動駕駛、智慧製造、智慧醫療、智慧交通等。基於數據分析和認知計算的技術，正在影響我們的生活和工作方式，為企業提供了新的競爭優勢。
在製造業中，人們的工作方式開始改變，在資訊化技術的支持下，雇主能夠與工人、客戶，以及供應商進行緊密互動，使得製造過程更協調。工廠獲得大量數據之後，透過人工智慧的方法，例如計劃、推理和學習，最終獲得最好的決策見解。
目前主要的認識技術，包括機器學習、電腦視覺和語言的認知等。語言認知能理解和生成人類語言，以便利用書面和口頭方式加速與機器的交互。而機器學習可以從數據中學習，而自動化診斷，無需精確編程。還有電腦視覺，可以從一系列圖像中挖掘、評估和理解有用資訊。
這些技術使得機器能夠理解人類行為，並能接手人類工作的一部分。透過認知電腦提供的資訊，製造商可以即時決定行動方案，最終實現最優的生產管理。
製造業的數位化未來趨勢
未來幾年工業將走向數位化，而物聯網是主要推動力之一，物聯網設備將會激增，數量會超過 100 億。而圍繞著這些設備，如何創建數據分析，改善我們的業務和生活，是至關重要的的事情。
由於傳輸大量數據，傳統計算將難以跟上。處理如此大規模的數據，必需採用認知計算這樣的技術，以便管理、評估和改進資訊。認知計算是製造業向數位化轉型的一部分，採用新技術可以分階段完成，認知計算也適合這種形式。
未來工廠裡對設備的管理，是透過感測器連接和分析，從設備和生產線上，獲取各種各樣的數據，並透過認知理解，來改善勞動力和能源等資源分配，最終提高性能效率，並減少不必要的停機時間。
認識計算將在未來製造業中，起到關鍵作用，例如基於機器學習的機器人，將會成來未來工廠關注的一個重點領域。工業機器人的銷量，已經證實了未來的方向，而智慧機器人配備了感測器，易於編程，有人工智慧技術的加持下，將變得更聰明，更具響應性和自主性。
認識計算帶來深刻改變
工廠希望能夠快速響應市場的變化，和客戶的個性化需求，因此需要提高生產的自動化和靈活性，新一代智慧機器人，對於柔性化生產非常有利。不久的將來，隨著機器人的功能升級，以及成本的進一步下降，智慧機器人將會在小型工廠中，廣泛採用。
多年來，人們一直在研究，用電腦模擬人類大腦的工作方式，從過去的可編程系統，到現在的認知系統，利用數據挖掘、模式辨識，和語言認識等自學習算法。
認知計算也可以幫助實現靈活的自動化，例如透過自動檢測，可以預測和改善維護，防止意外停機。
先進的人工智慧技術，給製造業帶來巨大的提升，利用機器視覺認知，檢測有缺陷的組件，在設備運送到市場之，前進行處理，保證產品的良品率。無論是智慧機器人、還是視覺檢測，電腦系統的認知處理都是關鍵。
 |
．在自動駕駛研發中充分發揮數據的潛能
Data Driven Development of Autonomous Driving at BMW
 |
前言
上圖這是筆者加入小馬智行之前的一個小故事。這不斷的提醒筆者，人工智慧需要有足夠的數據量，並且充分發揮這些數據的潛能，是我們作為人工智慧公司的，一個非常重要的核心競爭力。
數據的作用
- 數據驅動開發：提到數據的作用，我們首先會想到，數據驅動開發，包括感知領域、行為預測領域、決策領域，需要有數據（標注好的數據），來作為我們模型訓練的糧食，和作為系統準確度評測的依據。
- 數據驅動決策：尤其是優先級的決策，作為創業公司我們現在想做的事情，遠遠多於我們的人力，如何把人力用在我們需要優先解決的問題上，不管在行車安全性、乘坐舒適性、車輛的營運等等，每個方面都有更重要的問題，或者次要一點的問題，需要做優先級的決策，透過對於數據的分析和處理，拿出一些有效的決策。
- 展現公司實力：透過對數據的分析，展示出來的結果，是可以展示公司實力的。
- 滿足監管要求：數據的保存、處理、分析，也是為了滿足監管的要求。
數據標注
在講數據驅動開發和決策前，先分享下關於數據標注的一些體會。
- 評價指標
對於數據標注來說，它的評價指標有：
① 團隊規模：只有你有足夠大的團隊，你才能在單位時間內，標注出你所需要的數量的數據。
② 效率和成本：二者間的關係，像是硬幣的正反兩面，效率是指單個人單位時間的產出量，成本是指單位產出的人力、設備、場地開銷。
③ 品質：標注的準確度，比如標注一個雷射點雲裡，障礙物的尺寸、位置、朝向的準確度，又比如預測下一步行為的準確度。
這是大家通常所關注的三個方面，下面再講下，另外兩個很重要的點：
① 能力多樣性：能夠處理各種不同種類的，標注任務的能力，對地圖來說，我們需要標注車道線；對於感知來說，我們需要標交通燈、障礙物，還有行為預測所需要的標注等。
② 標準靈活性：各種長尾場景（如雨點，汽車廢氣等）的處理方式，在不斷的探索和更新，隨之標注的方式，也在不斷的探索和更新，如何保證在這些快速探索，和更新過程中標注團隊直接的高效溝通，不至於出現混亂，這需要花很多精力去做。
- 團隊構成
如下圖所示：
- 效率提升與成本控制
技術手段：
① 默認障礙物大小：第一幀可以透過一些人機交互的方式，默認障礙物大小。
② 自動追蹤外推：接下來，比如說標注員跳了一幀，到第 3 幀，然後把車新的位置手工找到了，當再跳到第 5 幀的時候，系統就可以透過智慧算法，做到自動的追蹤外，推來找到車在第 5 幀中的新位置。
③ 自動插值：當車在第 1 幀、第 2 幀、第 5 幀的位置，都標出來之後，系統可以做自動插值，自動找到車在第 2 幀，第 4 幀中的位置。
這裡大概看下車的整個標注過程，以及人機交互方面的技巧，透過人工智慧的方法，提高標注員的效率。
相比於車載系統，智慧標注系統所受的限制更少：
① 更多的可用資訊：比如在嘗試智慧標注，某一幀數據的時候，可以參考其後的數據幀裡的資訊；
② 更寬鬆的計算資源和時間限制。
需要注意的問題：
- 對自動化結果的依賴，可能導致標注結果中，產生系統性偏差
- 如何發現和辨識這些系統性偏差
- 不同的自動化功能，產生系統性偏差的幾率和程度，各不相同
非技術手段：
① 薪酬激勵
② 組織結構設計：這裡最主要的是資訊流動的結構，比如：具體的某些場景的某個細節，如何透過標注平台的某些技巧去標注，如何促進這些技巧，在標注團隊內部被高效地總結、傳播。
③ 各工段之間成本平衡：系統化的思考，我們標準的流程分為標注、質檢、複檢等多個工段，透過各工段的配合，達到整體的優化，而不是單純的只優化某個工段。
當然所有的非技術手段，依賴於標注平台，對於標注任務生命週期，與標注團隊架構、績效的管理。
- 系統能力
這裡的一個核心目標，是何如保證系統在大規模標注，團隊持續高頻使用的條件下，能保持穩定運行。這裡舉一個因為平台不穩定性產生的焦慮感，進而導致惡性循環的例子：
- 保存失敗：比如標注了 5 分鐘，嘗試保存的時候失敗了。
- 工作成果丟失的焦慮感
- 更加頻繁地嘗試保存
- 系統負載進一步提高
- 系統穩定性和響應速度進一步下降
而且有些時候牽扯到外部合作商時，會進步一加劇一種情況：信任成本升高，降低長期合作意願。
這對我們提出的要求是：
① 不斷優化、提升效率
② 保持穩定、保障效率：最細微的穩定性問題，都可能導致效率下降
③ 良好的工程實踐：
- 與線上系統隔離的完整測試環境，要求能較為準確地重現線上數據規模和數據分布
- 分級發佈流程
- 線上系統監控及應急處理預案
關於提升效率的 Tips：
- 開發：實現效率優化方案
- 測量：在實現方案後，對標注員的操作流程和節奏，進行記錄和準確復現
- 提升：在測量和觀察中，發現可能的效率提升點，然後再循環到第一點。
數據驅動開發
上圖是我們的一個願景：先是利用機器智慧，提高人工標注效率，然後利用人工標注結果，提升機器智慧，最後再反過來利用機器智慧，提高人工標注效率，達到一個交互促進的過程。
- 充分利用海量標注數據
① 分布式訓練和評測系統
② 人工標注的質量是有極限的，這需要我們：
- 對標注數據的進一步處理與修正
- 在設計評測指標時，要考慮到標注數據常見的品質問題。避免設計出的評測指標，對於這些常見品質問題過於敏感。
- 數據索引平台
數據在各個維度上的分布，例如：
- 時段和天氣
- 道路等級
- 障礙物種類
- 住宅、商業區、工業區
當我有了索引平台，可以做的事情有：
① 標注任務篩選：基於分布上不平衡的維度，對路測原始數據的自動化初篩
② 訓練數據選取：按照指定的維度檢索訪問標注數據
③ 評測數據集維護：難度和規模分級
- 路測事件分析
- 問題路段
- 問題模塊
- 問題車輛
- 問題時間段
- 深入分析的工具
- 數據展現方式
- 這裡我們主要面臨的挑戰：
- 準確性：給的數據要可靠、有說服力
- 實時性：每次採集的數據都可以即時更新
- 易用性：從介面上可以直觀的看到關鍵數據
- 這需要我們：① 以用戶為中心，依據關鍵決策流程，不斷迭代與優化② 根據不同受眾和使用場景，提供差異化的視圖
- 營運團隊周會
- 公司高管 C-level
- 團隊 tech lead
- ③ 在每個視圖中，提供最簡潔實用的圖表
- 在默認視圖中，提供剛剛好使用者想要的資訊，不多不少
- 對於每一個數據點，提供進一步深入分析的工具
- 作者介紹宋浩，Pony.ai Tech lead。對岸中國清華大學交叉資訊研究院博士，此前任職於 Facebook 廣告分發策略優化部門。目前在 Pony.ai 負責自動駕駛數據平台與應用的技術研發。本文來自 DataFun 社區原文鏈接：
