1.3.6　OT、DT、IT的融合与分工

在1.3.3节我们已经讨论了OT、DT、IT思维模式上的差别与互补关系。一个常见的讨论是工业大数据到底应该以哪类人为主。这个问题其实没有简单的答案，原因在于① 不同的待解决问题需要的核心技能不同；② 工业企业人的角色并没有严格区分，很多领域专家除OT角色外，还可能有一定的DT技能。因此，这里讨论三者协作效率的决定因素和手段。

首先，在工程化思路方面，OT、DT、IT人是类似的，他们的差异更多体现在技能和信息禀赋方面。在行业数据分析中，DT人通常也会尝试机理推演的路线，通过访谈或先验知识形成一些探索的假想，通过数据探索，获得更深层次的理解，以便与OT人高效沟通协同。

OT、DT、IT人不同的技能层次如图1-8所示，从下到上，分别给出OT、DT、IT的基础能力和深层次的能力。基础技能的跨领域学习或转移成本较小，而深层次技能的转移成本很高。因此，在工业大数据实施中，一方面需要建立共性的基础能力，避免过度分工带来不必要的沟通成本；另外，要通过技术手段或机制，在保持专业化分工的同时，以形式化或半形式化模式提高跨领域的沟通效率。

OT人有相对系统的领域认知体系，有良好的解读能力，有一定的研判经验。主要包括：① 控制策略、量测方法与数据解析方法、工况等现场实际信息的掌握，这些基础信息比基础原理具象，通常没有明确的数据记录提高分析的系统性和科学性；② 对数据异常和结果的业务研判力，以避免对大数据量的强依赖；③ 对实际案例的解读能力，相对于机器学习更简洁与体系化；④ 有探索方向，不完全依赖于数据，降低搜索空间，快速定位。很多OT也有一定的数据分析能力，因此，对一些算法技能要求不高的分析课题，OT人做更有效率，但也存在很多潜在提升点，OT人的数据分析手段与潜在提升点如表1-6所示。

对于有类似案例的分析课题，通常的方式是在既有案例上用新的数据进行测试和修改，通过复用来尽快形成解决当前问题的模型或数据应用。对于专家规则型的分析课题，专家规则可以被明确表达，通常方式是DT负责形式化和大规模验证，通过具体的反例辅助OT人不断精化规则，消除专家规则中的歧义性和不完备性。

对领域背景比较深的分析课题，一种常见的协同模式是：OT负责解决个例化（具象化）的逻辑或思路，解决0到1的逻辑问题；DT解决逻辑的普适性，解决1到N的逻辑问题，IT解决自动化和物理部署问题。在这种情形下，OT需要易用的可视化探索与记录环境，以便将业务逻辑梳理得更清楚；DT需要灵活高效的模型研发与验证环境，负责形式化和大规模验证，负责算法或模型的性能与效率，尽量完成数据应用的初步设计与开发，平台后台解决数据访问、并行化计算和低代码开发问题。IT负责个性化的数据平台、应用个性化开发和日常运维。