AWS專業(yè)技術(shù)服務(wù)概述

1、AWS專業(yè)技術(shù)服務(wù)概述賦能企業(yè)實(shí)現(xiàn)創(chuàng)新飛躍制造業(yè)客戶面臨的挑戰(zhàn)創(chuàng)造新的收入來源改善OEE并優(yōu)化生產(chǎn)優(yōu)化供應(yīng)鏈，減少庫(kù)存保護(hù)生產(chǎn)和知識(shí)產(chǎn)權(quán)解放數(shù)據(jù)并揭示見解降低成本工人減員與培訓(xùn)制造業(yè) 主要工作負(fù)載市場(chǎng)推廣和銷售工程和設(shè)計(jì)制造運(yùn)營(yíng)供應(yīng)鏈服務(wù)鏈業(yè)務(wù)運(yùn)營(yíng)需求 銷售預(yù)測(cè)生產(chǎn)計(jì)劃物流工程和設(shè)計(jì)客戶支持制造分撥產(chǎn)品服務(wù)財(cái)務(wù) 人力采購(gòu)數(shù)據(jù)驅(qū)動(dòng)制造轉(zhuǎn)型數(shù)字化轉(zhuǎn)型對(duì)成本的影響物聯(lián)網(wǎng)，人工智能和數(shù)字化通過優(yōu)化交付， 質(zhì)量和安全性，為容量增長(zhǎng)和單位最低成本 創(chuàng)造了財(cái)務(wù)和競(jìng)爭(zhēng)優(yōu)勢(shì)。數(shù)字化轉(zhuǎn)型對(duì)安全保障的影響數(shù)據(jù)科學(xué)在傳感器，邊緣設(shè)備和連接系統(tǒng)的 輸入上的應(yīng)用為操作員，設(shè)施，設(shè)備和資產(chǎn) 提供了全面的健康，安全性和可靠性

2、。數(shù)字化轉(zhuǎn)型對(duì)質(zhì)量的影響傳感器，連接的設(shè)備，智能系統(tǒng)和AI正在徹 底改變質(zhì)量，材料報(bào)廢，客戶退還的整體質(zhì) 量和維修成本。質(zhì)量計(jì)劃的重點(diǎn)正在從反應(yīng) 轉(zhuǎn)變?yōu)轭A(yù)測(cè)。數(shù)字化轉(zhuǎn)型對(duì)交付的影響制造商需要與客戶和供應(yīng)商/ OEM進(jìn)行實(shí)時(shí) 協(xié)作以開發(fā)真正的牽引系統(tǒng)。機(jī)器學(xué)習(xí)和AI 可以消除交付差異。預(yù)測(cè)性維護(hù)和指導(dǎo)性維修10%-30%減少計(jì)劃外停機(jī)使用視頻分析和無人機(jī)進(jìn)行運(yùn)營(yíng)監(jiān)控20%-80%減少可記錄的安全事件外部預(yù)測(cè)質(zhì)量10%-15%減少現(xiàn)場(chǎng)故障和保修成本供應(yīng)鏈動(dòng)態(tài)調(diào)度和數(shù)字化身10%-25%減少在制品，原材料和制成品動(dòng)態(tài)調(diào)度和預(yù)測(cè)質(zhì)量15%-40%提高勞動(dòng)生產(chǎn)率和加班可穿戴設(shè)備20%-80%減少可記錄的

3、安全事件10%-30%減少材料報(bào)廢，材料過度使用和內(nèi) 部故障內(nèi)部預(yù)測(cè)質(zhì)量15% - 40%車間動(dòng)態(tài)調(diào)度能源和水效率5%-15%減少能源和水的消耗成本增強(qiáng)現(xiàn)實(shí)和機(jī)器人100%減少不安全或危險(xiǎn)環(huán)境中的工人預(yù)測(cè)供應(yīng)商質(zhì)量25%-80%降低供應(yīng)商質(zhì)量和供應(yīng)商錯(cuò)配物料流50%-100%消除運(yùn)輸罰款，加快運(yùn)輸和多批 次運(yùn)輸訂單通過持續(xù)利用工業(yè)數(shù)據(jù)的價(jià) 值，制造商可以: 1將產(chǎn)品開發(fā)成本降低多達(dá)50%降低的運(yùn)營(yíng)成本多達(dá)25%毛利率提高1/31 數(shù)據(jù)來源: McKinsey Manufacturing Analytics Study客戶看到的平均影響力 22 數(shù)據(jù)來源: Hitachi Consulting

4、Implementations制造/工藝優(yōu)化設(shè)備預(yù)防/預(yù)測(cè)性維護(hù)設(shè)備即服務(wù)（MaaS）基于計(jì)算機(jī)視覺的質(zhì)量控制數(shù)字孿生體自動(dòng)化物料管理產(chǎn)品跟蹤設(shè)備綜合效率可視化智慧工廠核心場(chǎng)景各種各樣的設(shè)備 (PLCs, SCADAs, RTUs)各種各樣的協(xié)議無法擴(kuò)展將OT從應(yīng)用程序集成到設(shè)備中缺乏單一數(shù)據(jù)真相來源（孤島）與OT接口不一致各種類似輸出的系統(tǒng)可擴(kuò)展性挑戰(zhàn)0. 00%5. 00%10.00%15.00%20.00%25.00%30.00%35.00%NoneModbusDont KnowCANOPC-UAIndustrial Protocol (Ethernet/IP, ControlNet)P

5、rofibus, ProfinetKNXBACNetEtherCatIEC 60870, 61850OtherDNP3FOUNDATION fieldbusSercos各種多樣的協(xié)議重復(fù)的繁重工作:設(shè)備連接邊緣硬件認(rèn)證IT OT集成和解決方案可擴(kuò)展性跨移動(dòng)設(shè)備等多種尺寸的數(shù)據(jù)可視化解決方案實(shí)施挑戰(zhàn)Level 0Level 1-2Level 3Level 4企業(yè)應(yīng)用系統(tǒng) (ERP, CRM, PLM, and SCM)MES(不含過程執(zhí)行控制部 分或類似功能)數(shù)字化工廠平臺(tái) (云端)AI人工智能報(bào)表HMI機(jī)器 1機(jī)器 2聚合連續(xù)數(shù)據(jù)采集控制l工廠級(jí)基礎(chǔ)架構(gòu)PLCPLC工廠級(jí)總線及以太網(wǎng)交換附加傳

6、感器（視覺，壓力，振動(dòng)）Gateway(IIoT Agent)Digital FactoryPlatform (Edge)RFID Reader(IIoT Agent)Bar Code Reader(IIoT Agent)ControllerBLE Node (IIoT Agent)零配件工廠級(jí)總線及以太網(wǎng)交換工廠級(jí)總線及以太網(wǎng)交換物料機(jī)器人Additional Data Sources個(gè)人數(shù)字化工廠平臺(tái) (邊緣)產(chǎn)品質(zhì)量設(shè)備運(yùn)營(yíng)庫(kù)存控制連接的工人能源優(yōu)化生產(chǎn)進(jìn)度物聯(lián)網(wǎng)IoT平臺(tái)大數(shù)據(jù)分析機(jī)器學(xué)習(xí)管理駕駛倉(cāng)數(shù)據(jù)湖結(jié)構(gòu)化數(shù)據(jù)時(shí)序化數(shù)據(jù)非結(jié)構(gòu)化數(shù)據(jù)提供連續(xù)協(xié)議存儲(chǔ)及轉(zhuǎn)發(fā)邊緣計(jì)算場(chǎng)景應(yīng)用過程執(zhí)行控制

7、智慧工廠平臺(tái)建設(shè)層級(jí)圖 2020, Amazon Web Services工廠站點(diǎn)業(yè)務(wù)數(shù)據(jù)中心本地現(xiàn)場(chǎng)AWS 云智慧工廠總體架構(gòu)操作員/工廠經(jīng)理/主管操作KPI儀表板（近實(shí)時(shí)）防火墻邊緣網(wǎng)關(guān) 硬件 + 軟件協(xié)議轉(zhuǎn)換機(jī)器/設(shè)備/PLCInternet防火墻“熱”數(shù)據(jù)源跨站點(diǎn)資產(chǎn)層次結(jié)構(gòu)“冷/熱”數(shù)據(jù)存儲(chǔ)（數(shù)據(jù)湖）報(bào)警管理操作員/工廠經(jīng)理/主管AWS 安全工廠經(jīng)理/ BI工程師靈活的數(shù)據(jù)訪問業(yè)務(wù)智能報(bào)告（內(nèi)置的ML洞察）自助服務(wù)分析工業(yè)分析師/ 工廠經(jīng)理機(jī)器學(xué)習(xí)數(shù)據(jù)科學(xué)家/ 數(shù)據(jù)工程師數(shù)據(jù)倉(cāng)庫(kù)歷史數(shù)據(jù)企業(yè)數(shù)據(jù)(ERP, CRM, 3rd Party)Internet實(shí)時(shí)數(shù)據(jù)工廠站點(diǎn)本地現(xiàn)場(chǎng)AWS

8、云PLCAWS智慧工廠解決方案架構(gòu)Amazon SNS操作員/ 生產(chǎn)主管報(bào)警管理操作員/ 生產(chǎn)主管操作指標(biāo)儀表板Amazon ElasticSearch/KibanaInternet防火墻AWS IoT Core工業(yè)數(shù)據(jù)湖（“熱/冷”數(shù)據(jù)）Amazon S3 (Silver/Gold)Amazon S3 (Raw)Amazon Kinesis Data FirehoseAWS Glue CrawlerAWS Glue Data catalog數(shù)據(jù)工程師/ BI 工程師Amazon QuickSightBI 報(bào)告 &自助服務(wù)分析業(yè)務(wù)數(shù)據(jù)中心AWS IoT Greengrass防火墻Amazon

9、Redshift數(shù)據(jù)倉(cāng)庫(kù)機(jī)器學(xué)習(xí)Amazon SageMakerAmazon Athena數(shù)據(jù)科學(xué)家/ 數(shù)據(jù)工程師Rule/ Lambda協(xié) 議 轉(zhuǎn) 換 (Lambda; Kepware/KingIOServer)OPC-UA, Modbus企業(yè)數(shù)據(jù)(ERP, CRM, 3rd Party)歷史數(shù)據(jù)AWS SnowballAWS DMS3rd Party connectorsAmazon API GatewayInternet實(shí)時(shí)數(shù)據(jù)資產(chǎn)層次結(jié)構(gòu)監(jiān)控跨站點(diǎn)資產(chǎn)和關(guān)鍵流程運(yùn)營(yíng)KPI儀表板例如監(jiān)控和改善OEE警報(bào)和通知例如監(jiān)控關(guān)鍵條件的閾值BI報(bào)告和內(nèi)置的ML見解歷史趨勢(shì)，合規(guī)報(bào)告，預(yù)測(cè)數(shù)據(jù)訪問大

10、眾化洞察力，深入研究，根本原因分析數(shù)字創(chuàng)新的第一步打下構(gòu)建摩天大樓的堅(jiān)實(shí)基礎(chǔ)SELF-SER VE解放數(shù)據(jù) 和揭示見解運(yùn)營(yíng)工程師產(chǎn)業(yè) 分析師工廠經(jīng)理/主管客戶的業(yè)務(wù)收益客戶的技術(shù)收益現(xiàn)場(chǎng)到云端的安 全連接邊緣網(wǎng)關(guān)協(xié)議轉(zhuǎn)化連接收集和組織設(shè)備/PLC的流數(shù)據(jù)歷史數(shù)據(jù)資產(chǎn)和關(guān)鍵流程的資 產(chǎn)層次結(jié)構(gòu)數(shù)據(jù)存儲(chǔ)和處理時(shí)間序列“熱”數(shù)據(jù)“暖/冷”數(shù)據(jù)（數(shù)據(jù) 湖）流分析（要計(jì)算的 關(guān)鍵指標(biāo)）數(shù)據(jù)消費(fèi)運(yùn)營(yíng)KPI儀表板（OEE）警報(bào)和通知BI報(bào)告（內(nèi)置的ML見解）靈活訪問（SQL和API）高級(jí)分析就緒（ML，DWH）可重復(fù)的自動(dòng)進(jìn)行大規(guī)模 快速部署AWS Well Architect內(nèi)置可擴(kuò)展，安全和可擴(kuò)展的參考

11、體系結(jié)構(gòu)具有成本效益（無服務(wù)器，暫時(shí)性，按使用付費(fèi)）數(shù)據(jù)科學(xué)家數(shù)據(jù)/BI 工程師架構(gòu)師部門 / 工廠級(jí)別視圖企業(yè)范圍內(nèi)的跨部 門/工廠視圖部門 / 工廠OT數(shù)據(jù)質(zhì)量數(shù)據(jù)庫(kù)存數(shù)據(jù)運(yùn)輸數(shù)據(jù)標(biāo)準(zhǔn)儀表板 OEE，事件趨勢(shì)/通知，資產(chǎn)模型，狀態(tài)監(jiān)測(cè)框架資產(chǎn)優(yōu)化/停機(jī)時(shí)間/ EOL預(yù)測(cè)數(shù)據(jù)平臺(tái)-愿景所有工廠的概述（平均OEE， 制造的產(chǎn)品數(shù)量，質(zhì)量）互聯(lián)供應(yīng)鏈容量利用率智能采購(gòu)客戶愿景客戶需求與痛點(diǎn):在生產(chǎn)過程中，每卷鋼板最終可能會(huì)出現(xiàn)各種缺陷（如銹皮、劃痕 異物等）。使用傳統(tǒng)系統(tǒng)對(duì)部分缺陷進(jìn)行錯(cuò)誤標(biāo)注，因此需要熟練的檢驗(yàn)員人工識(shí)別不同的缺陷類型。需求：1）準(zhǔn)確識(shí)別缺陷類型 2） 最大限度地減少完成缺陷根

12、本原因分析所需的時(shí)間。鋼卷軋制過程經(jīng)歷很多工序，鋼卷鑿痕不能及時(shí)發(fā)現(xiàn)， 并糾正故障原因，進(jìn)入下一工序造成整卷的缺陷瑕疵?？蛻舯尘?福建福欣特殊鋼有限公司是福建省級(jí)重點(diǎn)項(xiàng)目，由臺(tái)塑集團(tuán)投資建設(shè)， 是漳州市在建的4個(gè)百億項(xiàng)目之一。計(jì)劃總投資22億美元，引進(jìn)國(guó)際最先進(jìn)的技術(shù)設(shè)備，生產(chǎn)400、300系列高純度不銹鋼熱軋板卷和冷軋板卷，熱軋板最薄可達(dá)1.2毫米，冷軋板最薄可達(dá)0.2毫米，將建成國(guó)際一流的 不銹鋼生產(chǎn)基地。亞馬遜專業(yè)服務(wù)一些AWS全球ML專家和臺(tái)塑專家一起致力于定義特殊的ML圖像算法，以克服由于圖像噪聲（即水痕、反射等）而遇到的檢 測(cè)精度障礙?！啊蔽覀儧Q定探索機(jī)器學(xué)習(xí)，以實(shí)現(xiàn)更準(zhǔn)確的缺陷檢

13、測(cè)，并降低人工成本，我們將AWS作為首選的云提供商來幫助我們實(shí)現(xiàn)這一目標(biāo)。AWS ML解決方案實(shí)驗(yàn)室與我們合作完成了整個(gè)過程的每一步，從定義業(yè)務(wù)用例 的發(fā)現(xiàn)研討會(huì)，到構(gòu)建和選擇合適的 ML 模型，再到實(shí)際部署。使用 Amazon SageMaker，機(jī)器學(xué)習(xí)解決方案將我們員工做人工檢查的時(shí) 間減少了一半。在AWS ML解決方案實(shí)驗(yàn)室的幫助下，我們現(xiàn)在能夠隨 著條件的變化，自行優(yōu)化SageMaker模型項(xiàng)目交付物:AWS專業(yè)服務(wù)創(chuàng)建了一個(gè)基于Amazon SageMaker構(gòu)建的圖像識(shí)別 ML解決方案，以1）自動(dòng)識(shí)別缺陷位置，2）準(zhǔn)確分類缺陷類型。使用使用機(jī)器深度學(xué)習(xí)從熱軋產(chǎn)線資料進(jìn)行鑿痕缺陷預(yù)

14、測(cè)，提前4天 在熱軋段制程即預(yù)測(cè)出鑿痕，對(duì)同排程其余鋼卷軋制參數(shù)設(shè)定進(jìn)行 調(diào)整，可以減少鑿痕鋼卷約61%實(shí)施成果：缺陷分類的準(zhǔn)確性和效率上都有顯著提升。AWS的ML解決方案通過 按可信度自動(dòng)組織缺陷分類，實(shí)現(xiàn)了24/7實(shí)時(shí)檢測(cè)。 檢查員可以 跳過高可信度的結(jié)果，只檢查低可信度的結(jié)果。隨著模型的不斷改進(jìn)，該解決方案使臺(tái)塑能夠自動(dòng)擴(kuò)展其ML模型，以在任何時(shí)候覆蓋更多的缺陷類型。成功進(jìn)行鑿痕缺陷預(yù)測(cè)地將現(xiàn)有的5鑿痕缺陷降低到0.02案例研究：臺(tái)塑福欣鋼鐵利用機(jī)器學(xué)習(xí)技術(shù)檢測(cè)熱軋鋼 制造瑕疵 2020, Amazon Web Services, Inc. or its affiliates. All

15、rights reserved.熱軋鋼卷表面缺陷檢測(cè)現(xiàn)場(chǎng)作業(yè)流程加熱爐初軋機(jī)精軋機(jī)現(xiàn)場(chǎng)測(cè)量站下表檢儀上表檢儀Step1-上(下)表檢測(cè)儀器拍照Step2-板卡電腦初步檢出Step3-缺陷分類（檢測(cè)服務(wù)器）Step4-影像存儲(chǔ)(數(shù)據(jù)服務(wù)器)Data server傳 輸 延 遲 約 12分 鐘AWS開發(fā)的AI模型圖片自動(dòng)同步增設(shè)工作站電腦部署本次AI項(xiàng)目改造范圍：執(zhí)行預(yù)測(cè)：以鋼卷批次預(yù)測(cè)影像類別，并呈現(xiàn)于 模型平臺(tái)網(wǎng)頁(yè)，可 供檢驗(yàn)人員復(fù)判， 持續(xù)優(yōu)化模型AWS云端模 型執(zhí)行平臺(tái)Company:Industry: Country:Employees: Website:案例研究： D-Link利用視頻

16、檢測(cè)ML算法來識(shí) 別人員軌跡D-Link正在尋找一個(gè)機(jī)會(huì)，向客戶 提供新的、創(chuàng)新的服務(wù)，作為其現(xiàn) 有視頻監(jiān)控系統(tǒng)的一部分。如何快速、準(zhǔn)確地識(shí)別和跟蹤同一 區(qū)域內(nèi)多個(gè)攝像頭下的人員移動(dòng)成 為D-Link希望開發(fā)的功能D-Link 希望能夠獲得相關(guān)的識(shí)別算 法并應(yīng)用到其產(chǎn)品中使用Amazon Sage Maker，AWS 團(tuán)隊(duì)開發(fā)了一個(gè)圖像識(shí)別模型，該 模型搜索視頻提要：1)定位相關(guān)對(duì) 象；2)重新識(shí)別人員。包含相關(guān)對(duì)象或人員的圖像和要掃 描的視頻將作為定制識(shí)別模型的輸 入，然后該模型將驗(yàn)證提交圖像中 的同一對(duì)象或人員是否出現(xiàn)在任何 視頻提要中。D-Link客戶可以在多個(gè)場(chǎng)景中應(yīng)用 此ML模型。例

17、如，用戶可能會(huì)打開他們的現(xiàn)場(chǎng) 視頻流，看到一個(gè)可疑的人四處游 蕩。 然后，用戶可以點(diǎn)擊視頻中 的人，并選擇“搜索對(duì)象”，看看同 一人是否在一天的其他時(shí)間在其他 區(qū)域游蕩。 如果有必要，用戶可 以聯(lián)系警方。挑戰(zhàn)方案優(yōu)勢(shì)D-Link是一家跨國(guó)網(wǎng)絡(luò)設(shè)備制造公司， 專門為消費(fèi)者、企業(yè)和服務(wù)提供商設(shè)計(jì) 和開發(fā)Wi-Fi路由器、IP攝像機(jī)、智能家 居設(shè)備和交換機(jī)等產(chǎn)品。 D-Link提供了 集成交換、無線、寬帶、IP監(jiān)視和基于云 的網(wǎng)絡(luò)管理的網(wǎng)絡(luò)解決方案。我們專注于為客戶提供最聰明、最創(chuàng)新的產(chǎn)品和服務(wù)。 AWS機(jī)器學(xué)習(xí)為我們提供了新的視角和 方法來實(shí)現(xiàn)這一點(diǎn)?！盌-Link International P

18、te Ltd網(wǎng)絡(luò)設(shè)備制造臺(tái)灣, ROC 2,000+PUBLIC REFERENCE問題描述利用多個(gè)監(jiān)控?cái)z像頭跟蹤同一個(gè)人的運(yùn)動(dòng)軌跡querygallery人物重識(shí)別 (ReID)開發(fā) ReID 的處理工作流總覽第一步: 檢測(cè)行人第二步: 提取特征并進(jìn)行匹配都基于深度學(xué)習(xí)（DL）算法進(jìn)行特征提取器 (CNN)特征提取器(CNN)特征相似度計(jì)算特征向量特征向量S3AI/MLFeature vectorDevicesFeature vectorSearch requestAPI GatewaySimilarity comparisonVideo streamSearch results視頻識(shí)別檢測(cè)

19、ML算法云上架構(gòu)圖二百年以來，太古集團(tuán)秉持精益求精 的原則，并憑著洞悉先機(jī)的睿智，現(xiàn) 已發(fā)展為一個(gè)高度多元化的商業(yè)集團(tuán)， 業(yè)務(wù)覆蓋地產(chǎn)，航空，飲料及食物鏈， 海洋服務(wù)，貿(mào)易及實(shí)業(yè)。旗下的太古 可口可樂，擁有在中國(guó)大陸11個(gè)省份 和上海，香港，臺(tái)灣、以及美國(guó)西部 廣泛地區(qū)制造，推廣和經(jīng)銷可口可樂 公司產(chǎn)品的專營(yíng)權(quán)，專營(yíng)區(qū)域覆蓋 7.28億人口。太古可口可樂所屬行業(yè):制造業(yè)當(dāng)前挑戰(zhàn)解決方案客戶收益高競(jìng)爭(zhēng)、高變化、高復(fù)雜的業(yè) 務(wù)特點(diǎn)要求企業(yè)必須盡快應(yīng)用 新技術(shù)實(shí)現(xiàn)數(shù)字化轉(zhuǎn)型全部IT系統(tǒng)遷移上AWS云，在云上 進(jìn)行容災(zāi)演練并且實(shí)現(xiàn)持續(xù)優(yōu)化 和自動(dòng)化能夠快速的響應(yīng)業(yè)務(wù)需求資源可以靈活擴(kuò)充和調(diào)配成本核算更

20、清晰通過使用AWS一次性全面上云，讓我們可以將IT系統(tǒng)的直接服務(wù)對(duì)象從上萬名業(yè)務(wù)代表，向數(shù)百萬客戶拓展，甚至向數(shù)億級(jí)消費(fèi)者延展， 實(shí)現(xiàn)數(shù)字化轉(zhuǎn)型。李軻太古可口可樂有限公司 云服務(wù)與運(yùn)作總監(jiān)案例研究：太古飲料供應(yīng)鏈管理“”Landing ZoneSecurity & ComplianceSkills/CCoEOperation ModelAll-in MigrationDiscoverDesignBuildIntegrateCutoverValidateOperatingModel項(xiàng)目收益淄博熱力有限公司是一家有著30年供熱歷史的全資 國(guó)有供熱企業(yè)，注冊(cè)資金6678萬元，擁有總資產(chǎn) 11.2億元

21、，主業(yè)員工368名，下設(shè)5個(gè)供熱分公司，1個(gè)工業(yè)余熱供熱分公司，1個(gè)熱網(wǎng)運(yùn)營(yíng)公司，2個(gè) 全資子公司，1個(gè)控股子公司，供熱管網(wǎng)主干線總 長(zhǎng)度突破600公里，供熱面積達(dá)1500多萬平方米， 供熱區(qū)域覆蓋淄博中心城區(qū)。公司牽頭成立“山東家家暖新能源有限公司”，專業(yè) 從事清潔能源供熱綜合開發(fā)利用，推進(jìn)清潔能源替 代，推動(dòng)能源消費(fèi)結(jié)構(gòu)改革。能源浪費(fèi)基于運(yùn)行人員的經(jīng)驗(yàn)粗略 預(yù)估每個(gè)供熱機(jī)組的熱需， 并進(jìn)行低頻率地調(diào)控，通 常導(dǎo)致過多地能源消耗及 運(yùn)營(yíng)成本的增加用戶投訴另一方面，由于室外氣溫 驟降而帶來的供暖不足， 又導(dǎo)致了大量用戶投訴通過精準(zhǔn)的供溫預(yù)測(cè)和更加 主動(dòng)的調(diào)溫策略，幫助客戶 降低能耗通過足量的供溫預(yù)測(cè)和供給， 逐步降低未來寒流導(dǎo)致的客 戶投訴自動(dòng)化部署有效降低運(yùn)行人 員工作負(fù)荷ML模型在智慧供熱生態(tài)系 統(tǒng)中起到重