通過為客戶解決一個又一個項目的挑戰(zhàn)，體驗了不同機型與主控版本下的復雜條件，也不斷優(yōu)化著產品的可配置型性，模型的抗干擾性。一開始有的項目甚至要做耗時數(shù)月的“數(shù)據大掃除”，不斷提高數(shù)據的準確性和可靠性。業(yè)界領先的95%的數(shù)據合格率就是這樣一點一滴提升而來的。 　　
　　遠景的很多客戶都曾建立數(shù)字化系統(tǒng)，最后卻發(fā)現(xiàn)系統(tǒng)用不起來，追查原因都出奇地一致——最基本的數(shù)據準確性問題沒有解決，最多只能算算電量。
　　
　　“你說設備連接起來就是物聯(lián)網？真沒這么簡單。一會兒電量表數(shù)據跳變、一會兒無連接，怎么監(jiān)控？很多風機狀態(tài)都不準，敢不敢遠程復位？總之，如果物聯(lián)網的邊緣計算不可靠，人還是撤不下來。”EnOS™大數(shù)據平臺架構師閆博士直言不諱，“物聯(lián)網的CAP實踐難度比互聯(lián)網高許多，遠端網絡容錯度成倍降低，系統(tǒng)的一致性和可用性就必須更精細的平衡設計。數(shù)據模型上，以前在互聯(lián)網做大數(shù)據，本質上是離散數(shù)據管理，一單就是一單，哪里像傳感器數(shù)據，是連續(xù)數(shù)據，成千上萬設備要做到近乎任意時間維度的查詢、分析，這需要大量的抗干擾算法、告警算法，才能保證數(shù)據質量、甚至說起碼的系統(tǒng)功能。”
　　
　　遠景持續(xù)七年的投入，攻克了無數(shù)細節(jié)上的魔鬼，近100GW項目的產品化積累，才和客戶肩并肩基本解決了數(shù)據連接、采集、運算、質量控制等難題，這些是數(shù)字化的基礎。
　　
　　在接下來的數(shù)據分析上，機器學習無疑是最佳技術，但是如何能夠將機器學習和大數(shù)據結合起來，長期解決業(yè)務挑戰(zhàn)，而不是做一兩個樣板項目，做一兩項原來物理模型方法沒有的發(fā)現(xiàn)，這需要在組織上進行創(chuàng)新。
　　
　　遠景基于EnOS™能源物聯(lián)網平臺開發(fā)的Ensight產品，基于2PB高質量數(shù)據和機器學習算法包，訓練設備健康度模型，衡量發(fā)電性能和設備健康度，提供關鍵部件的健康度預警與狀態(tài)維護提示，從而實現(xiàn)預測維護。Ensight Wind基于海量數(shù)據與機器學習技術，不斷優(yōu)化算法，實現(xiàn)風機發(fā)電性能與設備亞健康狀態(tài)識別告警，進行預測維護，減少大部件故障造成的非計劃性停機損失，使故障風機提升等效利用77小時。 　　
　　遠景一直很清楚，機器學習并不是挖幾個算法大牛就可以實現(xiàn)的。“幾年前我們也認為招些數(shù)據算法專家就可以發(fā)掘數(shù)據里的價值，但實踐發(fā)現(xiàn)學習能源領域的垂直領域知識很關鍵，否則傳統(tǒng)機器學習所發(fā)現(xiàn)的一些規(guī)律，對垂直領域來說，不過是常識，精度能不能做到極致先不論，僅一個不可解釋性就讓你舉步維艱。”EnOS™大數(shù)據平臺架構師閆博士說。
　　
　　他找到的解決方法是讓機器學習的專家和領域技術骨干相互學習，每兩周舉辦一次培訓，讓機器學習的人弄明白能源領域的理論知識，“不僅是文字表達的講懂，更要把里面的數(shù)學模型、物理模型公式都看懂”。反過來原來的領域專家則要學習python語言和算法包，還要參加軟件培訓，大家做真正的“跨界”人才，用閆博士的話說就是“讓大氣動力學的領域專家學神經網絡，讓神經網絡專家搞懂流體力學。”