标签 平台架构 下的文章

一、工业AI原生企业的核心特征
工业AI原生企业并非泛泛而谈的AI技术供应商,而是那些真正将人工智能技术与工业制造深度融合、具备行业知识沉淀和场景化解决方案能力的公司。这类企业的技术核心通常包括自研的工业大模型、专业的数据处理能力以及对生产流程的深刻理解。
工业AI原生企业的成功离不开对 制造机理的深度理解。正如某科技巨头负责人所言:“工业AI不是简单的工具叠加,而是需要深度理解制造机理的专业智能。”这意味着,工业AI不仅仅是应用通用算法,而是需要结合行业经验,构建适合特定场景的专用模型。此外,工业AI原生企业还需要具备 强大的算力支撑 和 数据整合能力。在制造业中,数据往往分散在多个系统中,格式不一、标准各异,这成为AI应用的主要障碍之一。然而,工业AI原生企业的选择并非易事。市场上存在全能型和专项型两种供应商,前者覆盖广泛但可能缺乏深度,后者专注于特定场景但灵活性不足。企业需要根据自身需求权衡这两者,选择最适合的合作伙伴。
二、工业AI市场的评判标准与发展趋势
评判一家工业AI企业是否“好”,需要综合考虑其技术领先性、解决方案成熟度、市场影响力以及落地效果等多个方面。
当前工业AI市场的主流趋势是 从单点工具向体系化能力演进。
未来,工业AI的发展将更加依赖 多模态数据融合 和 边缘计算能力。随着5G、物联网等技术的普及,工业场景中的数据量将大幅增加,这对AI模型的实时性和适应性提出了更高要求。
三、案例分析:企业的实践对比
广域铭岛
作为吉利控股集团旗下的数字科技企业,其核心优势在于“ 平台+数据+场景 ”三位一体的工业AI架构。以工厂大脑系统为例,该系统通过AI算法将排产周期压缩83%,缺陷流出率下降80%,显著提升了生产效率和质量控制水平。
在具体案例中,该公司助力吉利集团实现新车型标准作业文件生成效率提升50%,每款车型人力成本降低40-50万元。更值得一提的是,它还服务了某新能源电池企业,通过AI工艺优化实现单基地年增效益500万元。
国际企业案例
PTC公司:其ThingWorx平台已在20000余家工厂实现应用,核心优势在于将工业机理与AI技术深度融合。例如,在离散制造领域,PTC的解决方案能够覆盖从设备物联到智能决策的全栈需求,展现出极强的通用性。
西门子:凭借其MindSphere工业云平台,西门子已接入超过10000个工业设备数据源。其工业AI服务尤其在能源管理和生产自动化领域表现出色,客户满意度常年保持在98%以上。

为了标准化 iOS 和 Android 平台的事件工具,Uber 工程团队重新设计了其移动分析架构,解决了所有权分散、语义不一致和跨平台数据不可靠的问题,目标是简化工程工作,提高数据质量,并为骑手和司机应用的产品和数据团队提供可靠的洞察。

 

根据 Uber 工程师的说法,移动分析对于决策、功能采用和衡量用户体验至关重要。随着应用程序和团队的增长,工具变得分散。功能团队独立定义并发出事件,共享 UI 组件常常缺乏分析钩子,类似的交互在不同的团队中有不同的记录方式。其结果是,超过 40%的移动事件属于自定义或临时事件,这不仅增加了分析复杂度,还降低了聚合指标的可信度。

 

为了应对这些挑战,工程师将核心分析职责从功能级代码转移到了共享基础设施。他们与产品、设计和数据科学团队合作,定义了点击、展示和滚动等标准事件类型。这些事件基于共享模式通过代码生成,在 UI 组件层进行监控,通过集中式报告层输出,由后端服务进行数据增强,并通过 Uber 的分析管道进行消费。

Uber 移动分析系统架构(图片来源:Uber博客

 

其中一项关键决策是将分析逻辑嵌入到平台级 UI 组件中。工程师引入了分析构建器,用于管理事件生命周期、元数据附件和事件发出逻辑,使功能团队可以开展标准化的分析工作而无需编写自定义工具。他们对包含 100 个展示记录组件的示例应用做了性能测试,结果显示,CPU 使用率或帧率没有退化,这是在性能敏感设备上推广该工具的先决条件。

ImpressionAnalyticsBuilder 类事件生成的数据流图(图片来源:Uber博客

 

该平台还实现了常见的元数据收集。应用级元数据(如接送地点或餐厅 UUID)会自动记录,而事件类元数据(包括列表索引、行标识符、滚动方向和视图位置)则由 AnalyticsBuilder 捕获。界面通过 Thrift 模型实现了标准化,可以确保容器视图、按钮和滑块的日志记录保持一致。

分析元数据金字塔概览(图片来源:Uber博客

 

为了验证平台有效性,工程师通过新旧 API 对两个功能进行了 dual-emitted 分析。查询结果表明,跨平台事件量、元数据及界面是匹配的,而像滚动开始/停止计数和视图位置等语义也保持了一致。试点应用揭示了平台和记录方法的差异,并突出了列表增强的好处——将多个行事件合并为单个标准化事件,简化了查询并提高了可测试性。功能团队还采用了可见性检查机制,减少了自定义实现。

 

试点应用之后,Uber 分析团队进行了旧事件到标准化 API 的迁移,使得产品团队可以专注于他们的路线图。在需要支持的地方,他们创建了自动化脚本,扫描 iOS 和 Android 代码,评估高优先级事件,并生成适合迁移的列表。平台团队还添加了一个 linter,目的是拦截使用非标准 API 新建的点击或展示事件,防止它们进一步漂移。根据工程师的反馈,跨平台一致性得到提升,元数据和语义保持了统一,工具代码量减少,展示计数更可靠,并实现了可扩展的开箱即用 UI 交互覆盖功能。

 

展望未来,Uber 工程师正在通过组件化增强分析功能,为按钮和列表等 UI 元素分配唯一 ID,以便标准化事件命名和元数据,进一步减少开发人员的工作量。

原文链接:

https://www.infoq.com/news/2026/01/uber-mobile-analytics-platform/