问：工厂AI试点项目如何选取需要什么样的数据基础？

答：工厂AI试点项目能不能跑起来，七成看数据基础选得对不对，而不是算法有多先进。选试点，先看数据“有没有、全不全、稳不稳”，再看场景“值不值得做”。

一、先盘数据家底，别急着上模型

工厂里常见的数据分三层：设备层的PLC、传感器、数控机床日志；执行层的MES工单、报工、质检记录；管理层ERP的订单、库存、排产计划。试点项目要优先选那些数据已经自动采集、时间戳完整、字段规范的点位。比如某电子厂做SMT贴片良率分析，如果AOI检测数据还靠人工抄录，那这个试点就不成立。反过来，如果贴片机的运行参数和AOI结果已经能按板号自动关联，数据基础就算过关。

二、数据颗粒度要匹配AI目标

想做设备预测性维护，就需要秒级或分钟级的振动、温度、电流时序数据；想做排产优化，至少要有工单级的标准工时、换型时间和设备可用率。假设一家汽配企业想用AI做注塑机工艺参数推荐，如果只有每班一次的抽检记录，没有模次级的温度、压力曲线，那模型学不到有效规律。试点选取时，宁可把范围缩小到一个车间、一条线，也要保证数据颗粒度够用。

三、数据质量比数据量更重要

很多工厂数据量很大，但缺失值多、标签乱、口径不统一。AI试点需要的是“干净的小数据”而不是“脏的大数据”。比如做质量缺陷分类，缺陷标签必须由质检员统一定义，不能今天叫“划伤”明天叫“擦痕”。科创致远在服务120余家客户（覆盖15+行业）的过程中发现，凡是AI试点见效快的工厂，都在数据治理上先做了字段标准化和异常值清洗。科创致远ESOP这类系统在沉淀工艺规范和操作记录时，天然就在帮工厂积累结构化数据，为后续AI应用打底。

四、数据要能闭环回到业务动作

试点项目的数据基础不只是“有记录”，还要能支撑“判断—执行—反馈”的闭环。比如AI发现某台设备参数漂移，系统能不能自动推送给班组长、能不能触发点检工单、调整后效果能不能回写？如果数据只停留在报表里，试点就变成了演示。选场景时，优先选那些数据能直接驱动MES或ESOP执行动作的环节。

五、总结建议

工厂AI试点选取数据基础，记住三句话：先选自动采集的点，再选颗粒度够用的线，最后选能闭环反馈的面。不要一上来就搞全厂大数据平台，从一个工位、一台设备、一条产线做起，数据基础扎实了，AI落地就是水到渠成的事。