你可能错过了，2017年2月，欧洲议会通过了一项关于“机器人民法规则”的决议。该决议建议欧盟委员会为机器人设立一个特定的法律地位，“这样，至少最复杂的自主机器人可以被确定为具有电子人的地位，负责弥补它们可能造成的任何损害，并可能将电子人格应用于机器人自主决策或与第三方独立互动的情况。”
迄今为止,集团近300名欧盟(EU)政治领导人、人工智能/机器人研究人员和行业领袖、身体和心理健康专家以及法律和伦理专家表达了他们对这种方法的关注。他们的回答表明，他们同意人工智能(AI)和机器人在经济、法律、社会和道德方面的影响必须“不慌不慢或有偏见地”考虑，但他们的回答也表明，他们发现拟议的决议存在一些明显的差距。该小组特别指出，从技术角度看，该决议高估了“即使是最先进的机器人的实际能力”，显示出“对不可预测性和自我学习能力的肤浅理解”，以及“被科幻小说和最近一些耸人听闻的新闻公告扭曲的”对机器人的看法。
尽管欧盟正在就机器人的法律地位及其维护人权的能力展开的这场辩论很有趣，但它与工业中日常的机器人和人工智能非常脱节。但是欧盟关于如何管理数据的争论的根源显然是关于工业如何处理数据，以及作为物联网(IoT)或工业4.0倡议的一部分的设备和系统集成。
为了帮助我更好地理解当今进行的计算机科学和数据研究如何影响工业的未来，乔治亚理工学院物联网技术发展和应用中心(CDAIT)的董事总经理Alain Louchez邀请我主持与乔治亚理工学院的一些顶尖专家的圆桌讨论。除了Louchez，圆桌会议的参与者还包括Jeff Evans，佐治亚理工学院研究所(GTRI)的首席研究工程师和该学院先进通信政策中心物的数字转型主任;计算科学与工程学院朴海舜博士;计算机科学学院Umakishore Ramachandran博士;机械工程学院王燕博士;和首席科学家玛格丽特·洛珀博士GTRI信息与通信实验室;伊丽莎白·惠特克博士，GTRI的首席研究工程师信息与通信实验室;以及GTRI信息与通信实验室的高级研究科学家巴里·德雷克。
没有人在中间
“你可能听说过‘数据是新的石油’这句话，”埃文斯说。这是事实，这就是为什么对数据的控制对商业来说已经变得和(任何其他类型的)知识产权一样重要。正在出现的一个巨大挑战是，由于所有东西都是集成的，您自然希望共享数据以从中获得最大价值。但您必须明白，在这些集成数据共享和分析环境中，绝大多数数据将自动处理——机器对机器，无需人工参与。所有数据中只有很小一部分必须采用对人类用户友好的格式。”
这些评论强调了欧盟开发机器人的方法与工业处理数据之间的联系。在这两种情况下，人类的决策和活动将越来越多地由首先由机器进行的分析驱动。重要的是要认识到，对这些机器驱动的决策的依赖对工业的未来是不可避免的。事实上，如此多的数据是由工业设备、机器和系统产生的，我们必须使用自动化分析。毕竟，人类本身要处理的数据实在太多了。
拉马钱德兰说:“用户正在积累大量数据，却不知道他们在获取什么，以及为什么要获取这些数据。”“这就是为什么从源头上修剪数据是一项挑战。”
“大数据并不意味着所有相关数据，”Park表示赞同Ramachandran的观点。她说，你必须首先理解数据的其他角度，比如数据的4v，即数据量、多样性、速度和准确性。她警告说，任何数据修剪都必须谨慎进行。她说:“因为数据存在于如此多不同的格式，来自如此多不同的来源，它们的价值取决于最终目标，所以在早期阶段对数据进行排序有利有弊。”
Loper说:“当然，需要重复的是，数据安全和隐私是最重要的，需要在设计的一开始就提供。”“在过去的几年里，工业界、学术界和标准组织在确保数据的机密性、完整性和可用性方面取得了巨大的成就，但这些领域将始终处于发展中。”
Wang补充说，为了理解如何处理数据，从而对工业产生有意义的影响，必须在与工业数据相关的三个知识群体之间进行持续的对话和合作——计算机科学家、数据科学家和领域专家。“如果你的数据量有限，就很难做出决定;但有了大量的数据，你可能会让人和系统超负荷。”因此，必须在早期阶段就涉及到领域知识，以“在对决策者有意义的级别上收集和处理数据”。
这就是运营技术(OT)专业人员将在自动化数据分析的发展中发挥重要作用的地方。
Ramachandran强调:“IT需要OT输入。“他们需要领域专家来找到他们关注的领域。公司必须围绕领域专业知识进行转型，以解决适用于各个领域的问题。”
数据消化
Ramachandran在描述一家电容器制造公司最近遇到的产量问题时表示，该公司将分析其生产数据作为解决该问题的潜在方法。Ramachandran指出，制造商已经确定了在生产过程的每个步骤中产生的特定数据集，但由于这些数据没有以特定的方式使用，因此没有数据从一个生产阶段传递到下一个生产阶段。
他说:“拥有一个通用的数据平面来将数据转换成一种可以共享和分析的格式是至关重要的。”在工厂领域专家的帮助下，将数据转换成这样的格式，使电容器制造商能够解决其产量问题，并导致生产的巨大改进。
拉马钱德兰补充说:“你必须把数据送到下一阶段可以消化的地方。”“但如果没有领域专家帮助你理解数据的最终用途，就很难知道如何设计系统。这就是为什么数据科学家总是应该从与最终用户合作开始一个项目。”
德雷克说:“设计(数据分析)功能，只处理终端用户需要理解的信息，排除杂音，这很重要。”“实现这一目标的最大障碍是认识到数据的最终价值以及如何使用它。”
为了帮助这个过程，Evans说在编写分析算法之前，将数据分解成离散的元素是很重要的。数据与分析的相关性将根据应用程序而改变，例如与控制程序或在边缘和云中进行的分析相关的延迟问题。他补充说，在领域专家的帮助下对数据进行分解后，人工智能算法可以进一步推动数据的分类。
惠特克指出，即使有领域专家参与数据分析过程，许多用户仍然难以理解任何数据分析的最终用途是什么。这就是为什么让人类与这些系统的交互尽可能简单的原因。这种对易于交互的需求是在制造业中使用剪贴板进行数据捕获仍然如此广泛的一个重要原因。她说，这些系统必须像剪贴板一样易于操作。
在这些变化发生之前——从使用车间专家来划分数据以开发算法，到将工人从剪贴板转移到使用自动化系统——都需要执行人员的参与。问题是，目前“高管层和工厂层之间似乎存在鸿沟，”Louchez说。“有很多这样的例子，工程师们产生了大量的数据，这些数据可以用来以这样或那样的方式提取价值，但在如何做到这一点方面，高层却没有远见。要使这其中任何一项最终发挥作用，都需要在业务层面有一个总体计划。”
王认为，这种脱节的部分原因是，在物联网和大数据方面，许多公司仍处于“观望”阶段。
埃文斯补充说，目前通信领域“蛮荒的西部”环境导致了这种观望的问题。他说:“我们知道所有东西都将是某种传感器，但如何处理传感器数据的通信仍然是一个大问题。”“在这些通信标准仍在发展的情况下，如何利用更高效的运营?”
前进
说到数据共享，信任一直是一个主要问题，无论你谈论的是机器对机器，机器对人，甚至人类之间，德雷克说。考虑到这一现实，他说，我们必须能够回答这个问题:我们为什么要相信人工智能?他指出，目前机器学习和人工智能领域正在大力推动“打开机器对人和人对机器连接的黑匣子，让人们参与到分析数据的过程中，以建立这种信任。”他说:“重要的是要让人们以一种可以想象并理解它的方式参与进来，这样就不仅仅是信任黑匣子的问题了。”
Loper指出:“国家标准与技术研究所(NIST)认为，物联网系统的可信度包括网络安全、隐私、安全、可靠性和弹性，其中一个重要组成部分是确保有自适应算法规则，机器可以使用该规则来确定如何信任正在交换的数据和其他机器所做的决定。”
惠特克补充说:“声誉和过去的经验是建立信任理解的重要因素，”并将在提高人和系统之间的信任水平方面发挥重要作用。“为了让人类参与到这个循环中，我们需要一种简单的方式让他们与这些系统交互，并有一种基于知识的工作方法，这样他们就可以以一种混合的方式与数据分析工作。到目前为止，还没有很多自上而下的、以人为本的方法来解决这个问题。”
圆桌会议的与会者一致认为，教育系统必须在培养人们成为数据分析支持的未来劳动力方面发挥重要作用，而未来劳动力正迅速向我们走来。
拉马钱德兰说，问题是“我们今天的教育系统有点坏，我们太孤立了。”“为了应对未来的人力资源，我们不应该制造知识孤岛，而应该培养能够跨学科掌握的人才。”
埃文斯补充说，他是乔治亚理工学院一个小组的成员，该小组“将劳动力发展概念整合为美国国防部客户优化基地运营的项目的一部分，数据分析是我们正在做的关键部分。”我们早期学到的是，要想成功地进行数据分析，人们需要了解通信协议，以便有能力评估与他们交互的系统，并创建广泛使用的仪表盘。”这是一个非常关键的需求——在短期内没有明确的解决方案，因为每个行业中的人都通过与各种行业协议的互动很好地意识到——Evans认为，具体的劳动力发展培训应该通过两年的教育项目集中在这里。
从更高的层面来看这些脱节，Louchez表示，当他看到一些失败的物联网项目时，他认为“它们是作为隔离活动进行的，并没有无缝地融入整个公司。物联网本质上是一种内部和外部的整合。所以，如果它一开始就不是公司大局的一部分，它就会失败。”
他补充说，另一个常见的物联网故障发生在公司试图咬超过他们咀嚼能力的时候。他们开始进行大规模的变革，并期望迅速取得成果，但他们需要意识到，以物联网为中心的转型是一项长期且内在复杂的工作，可能需要比他们最初设想的多得多的时间。”
