领域专业知识对分析至关重要

从终端设备到用于制造这些传感器的设备，传感器正在被添加到所有设备中，但生成的数据只有有限或没有价值，除非它伴随着领域专业知识。

主要有两个问题。一个是如何以及在哪里处理产生的大量数据。芯片和系统架构正在进行改进，以便对更多接近边缘的数据进行预处理，因为来回发送数据太耗费资源了。这就导致了第二个问题，即一些数据是关键的，需要立即采取行动，而其他数据要么是无用的，要么只在随着时间的推移或在特定情况下收集的数据上下语境中有用。

但要弄清楚在哪里处理什么，取决于对细分市场的了解、数据的背景和使用模型。所有这些因素都可能因应用程序的不同而不同，甚至在同一市场上，不同公司的不同。

以芯片设计为例。“领域知识是很重要的，但不是传统意义上的，”Mike Gianfagna说eSilicon．“当你提出一个芯片时，就需要领域专业知识。可工作的芯片并不是最终目标。你需要做的不止这些。你需要在系统中提供芯片的性能。问题在于协议、包装和电路板交互。还有IP交互。因此，现在您正在使用终端客户的领域专业知识来开发芯片，并添加基板供应商、封装供应商、IP供应商和固件供应商。这些都与成功息息相关。”

在制造方面，它同样复杂，不同步骤的数量和步骤的顺序可以在任何特定时刻影响数据的值。

“这不仅仅是为了让数据分析更快，”微软营销副总裁大卫·帕克(David Park)说PDF的解决方案．“它还认识到需要额外的数据集，而你可能没有。这就需要在正在制造的设计中加入仪器，而且必须以一种不损害设计的方式来完成。例如，你可以看看仪表电子束在Metal 0找到东西。”

了解何时何地添加数据通常需要深入了解应用程序、市场以及如何使用数据。但在很多情况下，没有先例，因为市场或技术太新了。

“Lam解决这个问题的方法是专注于我们应该为客户解决的关键问题——什么是能够使我们的客户降低拥有成本，提高他们的生产力，并最大限度地提高他们的产量的关键区别——并优先考虑这些类型的应用程序，”Rick Gottscho说林的研究．“这将推动你的数据策略，包括你将生成什么类型的数据，什么形式的数据，你将如何处理和转换它。这都是关于增值应用——你如何处理数据——应该推动这一战略。”

在幕后，芯片制造商、工具和设备供应商以及系统公司一直在通过培训自己的团队或通过收购，尽可能地增加专业知识。人们普遍认识到，领域专业知识对增长至关重要，这也改变了如今企业看待人工智能的方式。过去，人工智能被认为是一种在从放射学到金融投资等广泛市场中取代训练有素、价格昂贵的专业人士的方式。这种观点在过去12至18个月里发生了巨大转变。

IBM阿尔马登研究院副总裁兼实验室主任Jeff Welser说:“我们的目标是展示你可以非常自信地做的事情，所以这不仅仅是一个黑匣子。”“我们的目标是增强专家的能力。有些事情人工智能做得很好。它可能非常准确，但仍然会出错。你需要有人在那里理解上下文，在某些情况下还涉及到伦理道德。”

构建领域专业知识
增加领域专业知识并不总是像雇佣在特定领域工作了多年的人那么简单。对于新技术，自动驾驶汽车、医疗传感器、工业物联网或任何涉及人工智能的技术，这些专业知识通常需要多个参与者，以及收集和分析数据的不同方式。

“我们有一个汽车专家小组，”Uzi Baruch说，副总裁兼汽车事业部总经理最优+．“当我们订婚时，这些人会去参观工厂，了解情况，然后把他们在过去的订婚中学到的东西应用到工厂里。我们在初次拜访时就已经知道发生了什么。从那里我们需要问正确的问题，然后我们可以回来说，‘这是我们需要得到的数据。“我们最近与一家一级公司合作了一个涉及焊接操作的项目。我们知道焊接有某些特点，但在焊接操作结束时，通常要进行目视检查。所以我们以这些图像为出发点。这是一个接触点。但还不止于此。然后再回头看之前的功能测试。然后你回到焊机那里。 So you start from the imaging and inspection part, and then you shift left. You go back in the process.”

一旦所有这些都就绪，就可以分析数据了。”机器学习该系统已经在焊机上，可以预测出最终会导致不良图像的特征。”“从那里你可以找出哪里出了问题，并提醒MES(制造执行系统)不要继续这部分。”

这种分析在安全等刚刚开始利用数据分析和人工智能的领域尤为重要。但由于系统和使用模型差异很大，所需的领域专业知识可能仅限于单个公司的数据流，甚至单个芯片或设备的行为。

公司首席执行官Rupert Baines表示:“我们的数据包含大量元数据和语义UltraSoC．“如果它是一个公共汽车监视器，那么我们就知道字段的含义。所以这绝不仅仅是原始数据，我们的工具和分析能够原生支持这些数据。由于我们有很多工具可以识别死锁或争用，例如，它们可以推导出因果关系并推断出导致问题的原因。对于这些应用程序，我们的工具是非常通用的，比如争用、缓存行为、内存控制器。这适用于任何SoC，在解决问题方面非常强大。但我们也看到了更专注的领域专业知识。网络安全或功能安全之类的东西是非常特定于特定应用程序或特定系统的。通常情况下，这些都是更‘现实’的应用，这在很大程度上不仅取决于我们的客户需求，也就是SoC，还取决于他们的客户，也就是使用SoC的系统。”

这一观点在安全领域得到了响应，其中的挑战是开发可以扩展的工具和流程，但也提供可编程性，使其对特定公司或公司内部的操作足够有效。

公司安全解决方案总经理Tejinder Singh表示:“这就是领域专业知识的用武之地。迈威尔公司．“这些确实是不同的产品，涵盖了从存储到无线到人工智能到汽车的所有用例。所以在我们的公司里，我们有接触到的用例，我们互相讨论这些用例。例如，作为一家公司，我们对物联网非常了解，我们可以围绕这一点组建一支专家团队。但即使在银行业这样的垂直行业，也有不同的要求。”

新应用，新技术
不过，并非所有这些都显而易见。的某些部分还不存在领域专业知识5克例如，在美国，大多数芯片都是有限批量生产的，而且测试的方式还不具备批量生产的条件。

“整个行业都在学习5G技术，尤其是毫米波技术，”中兴通讯业务发展经理Adrian Kwan表示效果显著．“在中国和日本，他们已经开始了6ghz以下的5G基础设施，用于视距通信。这就要求asic更加智能。他们必须识别小区中的用户，并弄清楚如何使用自适应相控阵天线进行管理。每个地区和不同的服务提供商也有不同的规定。”

这一切都需要时间。领域专业知识在供应链中被分割，筛选数据需要一个流程。随着新技术的发展，流程仍然不成熟，数据几乎永远在变化。

“围绕毫米波有很多创新，”David Hall说，该公司的首席营销经理国家仪器．“第一批部件是用不可持续的制造方法进行测试的。ATE设备还没有准备好，所以很多工作都是用网络分析仪进行生产测试。人们都在争先恐后地寻求更可持续、更低成本的制造方式。这里的市场需求超过了技术发展。我们仍然需要对天线进行大规模的空中测试。我们看到的另一个问题是，人们迫切希望进行更多的调制质量与功率/频率测试。如果你想提高认证质量，就需要新的测试技术。”

汽车是另一个工艺和技术不断变化的领域。虽然企业正在为越来越多的自动驾驶做准备，但没有人确切知道这些技术将如何发展，以及哪些技术将胜出。汽车传感器(包括流媒体视频)已经产生了大量数据，随着汽车中添加更多的传感器和摄像头，数据还会越来越多。但这一领域的专业知识主要来自汽车机械方面或半导体方面。

“你肯定能在游戏中看到五年前看不到的玩家，”该公司高级营销总监罗布·卡佩尔(Rob Cappel)说心理契约．“谷歌、苹果、亚马逊等公司都在设计自己的芯片，它们可能不仅仅是用于汽车。他们在研究人工智能。五年前我们所知道的生态系统正在发生变化。在汽车行业，整个生态系统，从大型厂商一直到半导体晶圆厂，都认为质量和可靠性是关键。”

现在的挑战是连接这些不同的世界，并利用所有这些世界的专业知识。

“这看起来仍然是一个巨大的机会，可以将半导体行业的知识与汽车行业联系起来，”福特汽车战略副总裁伯克哈德·胡恩克(Burkhard Huhnke)说Synopsys对此．“目前存在知识缺口。它并不存在，因为这仍然是一个机械导向的行业。这里的关键区别将发生在涉及处理器和线束的软件和模拟中。你需要模拟车里的东西。由于一切都是电动的，这将需要高压元件，而这种元件在这个市场上并不出名。它将是逆变器和igbt。你需要模拟所有事物的瞬态特征。这是创造理解的开始。这可能是护理公司未来的核心竞争力。”

重视专业知识
虽然大多数行业最终都会围绕专业知识进行整合，但芯片行业的新情况是，技术市场的数量前所未有。要么是全新的技术，例如用于医疗应用的柔性或可食用传感器，要么是现有市场从未使用过先进技术，例如汽车和工业物联网应用。

从商业的角度来看，公司通过专注于特定市场而不是试图横向发展而获得更大的成功沃利莱茵河，香港大学名誉首席执行官Mentor是西门子旗下的企业．他指出，当德州仪器专门从事模拟业务时，其收益大幅上升。同样，恩智浦在2015年至2017年期间将汽车投资组合增加了一倍多，推动其收益飙升。

图1:德州仪器受益于专攻模拟。来源:导师/ CapIQ

图2:恩智浦在汽车领域专业化对收益的影响。来源:导师/ CapIQ

这些趋势并非异常现象，但它们并不总是容易复制，因为专业知识并不总是可用的。显而易见的是，数据和将数据分割成趋势的分析能力本身的价值有限。但当与分析和专业知识相结合时，这种结合可以对技术、公司和整体市场产生重大影响。

在好的数据和数据分析中加入领域专业知识是一个制胜公式，这在多个市场和技术中得到了证明，这些市场和技术之间没有明显的联系。

有关的故事
利用传感器数据提高产量和正常运行时间
更深入地了解设备行为和市场需求将对整个半导体供应链产生广泛的影响。
脏数据:传感器故障吗?
为什么传感器数据需要清洗，以及为什么这对系统设计的各个方面都有广泛的影响。
将人工智能推向主流
为什么数据清洗和社会问题可能会限制这项技术的采用速度和实用性。
物联网融入数据驱动设计
随着数据量的爆炸式增长，对边缘处理的强调给物联网模型增加了困惑。