看起来，也没有更好的途径。项目组曾私下问过有经验的运维人员，如何把这些经验传给新人，他们想了一会说：这个，靠“悟”！

于是我们的分析师开始了悟道之路，花了大量的时间完成征兆规则和数据的关联，并向专家反复求证，形成了核心指标体系，将定性的描述定量化，专家的经验终于被“悟”成了机器代码。三个月，一个像样的模型终于跑通了。

04

落地部署 只是智能化的开端

到了这一步，隐性知识终于显性化了，是不是可以写项目总结了？事实告诉我们，不能高兴得太早。比如，一个现场可用的预警模型，过于敏感或者过于迟钝都是不可取的；再比如，从数据中筛查出的专家无意识遗漏的额外异常征兆，是否纳入产品考量？

项目团队立下了“零误报”的小目标，和专家反复推敲，将模型的预警确定到了一个合适的灵敏度。现场专家们对最终结果表示超出预期，从堵磨风险指数、状态评估到操作建议，这个历经多番磨难的模型将成为一个得力的工具，真正有效地帮助他们的日常工作。

当然，产品上线后，还需要结合现场运行工况，算法不断优化和迭代的过程，这次，暂且略过不表。

回顾至此，我们不只是想鼓励广大从业者，知易行难，却仍要知难而上。

划重点！！！

定义一个合适的数据可解的问题至关重要；

让机理和算法握手，是一个反复试错反复验证的过程；

在这背后，大量数据处理工作往往耗时耗力却不为人知。

从信息化系统中做数据迁移和接入绝不是“拉一根网线”这么简单，原有系统导出的原始数据并不能直接用于模型训练，因此团队做了大量数据接入、预处理、数据结构化、数据标记等数据工程，同时，为分析模型创建了一个利于小规模快速迭代的运行环境。

在帮助专家经验形式化的过程中，我们历经了跨领域多个知识沉淀的全闭环，也将部分我们的经验（血泪史）形式化、服务化、产品化，以期帮助更多从业专家，将大量的技术原理、行业知识、基础工艺、模型工具，更高效、便捷的沉淀和复用。

2020年，经济下行压力的严峻挑战之下，修炼内功正当时。