行业新闻

今天，我非常高兴能应信息侠的邀请，就制造业数字化建设中的风险管理进行一次分享。接下来，我主要从几个方面进行阐述。

主要谈谈制造业数字化建设常见的目标、基础建设，以及与之相关的风险、应对措施，包括效果反思和未来展望。

我们都知道，制造业，尤其是传统制造业，会产生大量数据，其中既有有用数据，也有无效数据。在传统制造业中，由于基础建设不足，比如网络不完善、数据存储中心缺失等，导致数据管理存在遗漏。大量数据存放在某处，却未得到有效利用和管理，进而引发各种风险。

在制造业数字化建设中，常见目标主要体现在以下几个方面：一是制造环节，二是供应链环节，三是企业影响力及可持续发展方面。

提高生产效率与质量

在制造环节，主要体现在三个层面。其一，降本增效、提高生产效率。我们主要通过多种监控手段，对生产过程进行监控，以提升效率。例如，优化排程，特别是跨区域、跨国协同的产能排程，减少待机时间。其二，产品质量的优化与改进。因为制造的是实体产品，所以对产品质量有提升要求。以传统大型制造业设备为例，我们通过传感器紧密把控质量，将质量过程管理切分为几个核心关键点，以此降低次品率。其三，制造是一个长期过程，我们要尽可能避免和减少人工误操作，提高智能化程度，助力生产。比如引入工业机器人、机器臂以及大型自动化产线，减少具有危险性和伤害性的人工工作，降低人为失误。

优化供应链管理

供应链管理也是制造业的重要环节。在供应链管理中，首先要实现可视化。这里的可视化并非单纯制作报表，而是借助物联网技术，跟踪物流车辆、原料收支过程及产品流向。通过大数据分析，预测供应链风险，提高采购与生产计划的匹配度。当前，企业间的竞争已逐渐从单体企业竞争转向产业链竞争，这就需要提高协同效率。我们可以通过供应链平台或协同管理平台，实现数据实时共享，提升协同效率。此外，制造环节的成本在企业成本中占比较大，我们需要借助数据分析，优化库存和人员成本，真正实现降本增效。

增强企业竞争力

在增强企业竞争力方面，无论是对外还是对内，主要体现在打造市场响应能力。一方面，通过缩短研发周期和生产周期，提高响应市场的速度；另一方面，通过智能化营销，提升对客户的响应速度。这包括完善售后整体管理和售前方案管理，提高客户满意度。对于传统制造业而言，设备应用场景往往较为恶劣，快速响应客户反馈尤为重要。当我们提高了客户满意度和市场响应速度后，就能提升企业在行业中的地位。

实现可持续发展

如今，可持续发展备受关注，国家倡导能源环保、碳中和。在制造过程中，合理利用生产资料和原材料，降低损耗，提高利用率，不仅能减少对环境的污染，还能提升企业社会责任。

为实现上述目标，基础建设至关重要，主要体现在软件和硬件支撑上。

基础设施建设

在大型制造业中，许多企业已开展智能制造，涉及设备数据采集和工业互联网平台建设。此时，基础网络架构非常关键，我们需要将原有的架构升级为高速稳定的工业网络架构，比如采用 5G 线切技术，确保实时数据和分时数据采集时的数据带宽及稳定性。在工业互联（包括内部互联和外部互联）过程中，通信和数据采集设备是关键环节。我们需要部署高清传感器和智能采集设备，确保数据能够从外部传输到互联平台或物联网平台。由于制造业会产生大量生产数据和供应链数据，且随着智能化设备和智能产线的应用，数据呈几何级增长，数据存储压力巨大。因此，建设一个可靠的高性能数据中心，对未来智能化制造企业至关重要。在外部设备和产线管控，以及实施工业互联网平台的前提下，引入云计算及其弹性计算和弹性资源能力，对降低成本、提升边缘计算能力等非常有益。

软件资源调度

除了网络和硬件支持，软件资源调度也十分重要，包括资源管理平台、大规模 license 并发资源调度，以及通过 AI 算法、大数据平台提升软件性能。同时，我们还需关注软件更新，监测后台漏洞，防范数据风险。

接下来谈谈风险及应对措施。风险主要存在于以下几个层面：

网络和存储风险

首先是网络和存储风险。网络风险，如勒索病毒等，给企业 IT 部门和高层带来诸多困扰。存储风险不仅在于数据存储位置，更在于数据大爆发、信息大爆炸的背景下，如何确保数据安全、有效地存储在各个地方。针对这些风险，我们可以采取增强工业级防火墙、部署安全设备（如入侵检测设备）、数据加密、应用云计算及容灾等措施。

应用和终端风险

其次是应用及终端风险。企业使用的众多系统和平台，没有一个能保证绝对安全，它们都处于不断迭代和打补丁的过程中，因此存在应用风险。终端风险则涵盖移动终端、PC 端以及边缘计算节点等。在智能制造领域，大型企业部署的边缘计算节点具有一定计算、数据处理和存储能力，但也存在数据泄漏的隐患。针对应用漏洞，我们应进行安全评估和漏洞修复；对于终端安全，需进行监控和实时反馈。

数据风险

再者是数据风险。在制造过程的数据采集中，采集设备的准确性和精度至关重要，精度不足会影响数据质量，进而导致决策风险。设备老化也是一个大问题，车间和外部使用环境等因素可能导致设备快速老化。在数据传输过程中，由于工业环境的特殊性，如厂房为钢制品结构，数据传输信号可能会受到干扰、衰减，甚至出现网络故障，影响产品质量。在数据处理阶段，大数据和 AI 大模型的算法错误可能导致数据分析偏差，影响决策方向。即使不使用 AI，在报表分析、数据清洗、归集和标签化过程中，也可能出现数据问题。针对数据风险，我们应定期对特种设备进行跟进、维护和校验，优化数据冗余和校验技术，建立质量监控系统和规则。

AI应用后的新数据风险

此外，随着 AI 技术在制造业的广泛应用，也带来了新的数据风险。AI 是一把双刃剑，在带来便利的同时，也存在数据偏见、模型可解释性不足、对抗性攻击和隐私泄露等风险。数据偏见可能源于数据源单一，导致训练数据多样性不足，以及人为偏好，使训练数据不均衡，影响 AI 决策。例如，在大型制造中，钢制品的延展性对环境因素敏感，如果在温和地区采集数据样本，而忽略高寒或高热地区，就会出现数据偏差。模型可解释性不足体现在一些跨国生产企业中，AI 决策依据和结果的逻辑可能不被企业高层或决策者信任，特别是在智能供应链管理中的跨国产能协调和物料调配环节。对抗性攻击表现为恶意数据干扰，可能导致数据篡改，影响 AI 训练数据的准确性。隐私泄露则是由于 AI 过程中的数据交互，可能存在安全漏洞。针对这些 AI 相关风险，我们应增加数据源，减少人为主观偏差，丰富样本多样性，通过数据验证和清洗提高数据模型透明度，增强企业对 AI 的信任度。同时，强化数据隐私保护，防范企业数据被恶意篡改。

在效果和反思方面，通过采用高速 5G 网络、增强高清摄像头以及更新采集数据等措施，网络防控能力得到了较大提升。然而，制造业在网络安全认知上，与云原生或互联网企业相比存在差距，特别是在 AI 大模型应用后，部分人员安全意识不足，加大了数据风险。在数据及应用层面，我们对容灾和数据完整性进行了优化，强化了训练素材，提升了数据样本质量和决策能力。但反思来看，传统制造业在 IT 基础投入上相对不足，投资回报率（ROI）评估较难，数据治理方面，数据准确性和标准化有待进一步提高，AI 训练素材的多样性、准确性和时效性也需要提升。

总结而言，当前制造业面临着网络存储、应用终端、数据以及 AI 应用等多方面的风险。针对这些风险，我们应在网络安全防护、数据备份恢复、质量监控、数据隐私保护等方面进一步提升。展望未来，随着数字技术的不断发展，国家大力鼓励和推行数字经济，数据风险将更加复杂。数据作为未来的生产资料，我们需要在数据安全领域投入更多精力，完善数据安全管理体系，提高数据安全管理水平。

感谢大家！