从“读懂“到“预测“：工业 AI 实战直播（三、四期）

"工业数据 AI 实战"系列直播继续。

前两期我们讲了实时分析和智能体运行时——数据怎么变成 AI 能理解的事件，AI 怎么从对话框变成能干活的智能体。但这背后还差两块关键拼图：数据本身得有"身份"，模型得让业务人员用得起。

第三期和第四期，我们就来补上这两块：

---

第三期：工业本体建模——让 AI 能读懂数据

同样的一个数字 220.5，孤零零地躺在 SCADA、MES、LIMS 不同的库里——AI 不知道它来自哪台设备、代表什么参数、处于什么工况、跟谁关联。

答案不是更强的模型，而是给数据一层"语义"。工业本体做的就是这么一件事：不是再加一个数据库，而是在原始数据之上，搭建一个让 AI、应用和人都能理解的语义网络。

这场直播，我们从 Palantir 的本体论讲起——这家 2000 亿美元公司的核心技术壁垒到底是什么；然后回到工业现场，讲清楚 TDengine 对工业本体的理解；最后用完整 Demo 走通"建资产树 → 配引用关系 → AI 沿本体路径做根因分析"的全链路。

这场直播你会看到：

• Palantir 本体论深度解读：从 Gotham 到 AIP，Ontology 如何成为 Palantir 22 年最核心的技术壁垒？"它是决策模型，不是数据模型"——这句话对工业数据平台意味着什么？

• TDengine 工业本体四层架构：数据来源层 → 数据模型层（对象/联系/决策/权限）→ 信息组织层（树+网络）→ 数据服务层（目录/情景/标准）→ 信息消费层，逐层拆解

• 树型 + 网络，缺一不可：树告诉 AI"这是谁、归属于谁"，网络告诉 AI"它和谁相关、影响谁、被谁影响"——IDMP 现场演示弱引用、组合引用、生产过程关系、故障影响关系的配置

• AI 沿本体路径"看懂"数据：根因分析助手沿"事件 → 关联元素 → 触发属性 → 上游公共点 → 上游元素"逐层回溯，全程可视化

• 一次建模，处处受益：可视化面板自动感知工程单位与上下限，实时分析在资产树上触发，AI 在语义网络中推理——工业本体是所有上层能力的共同地基

一句话总结：给数据一个身份，AI 才能真正读懂你的工厂。

📅 直播时间：8月4日（周二）19:00

---

第四期：一期说清 TDmodel

预测、异常检测、回归——工业场景里最高频的分析需求，现在靠什么实现？

传统方式：写 Python、调库、等数据团队排期，真正懂工艺的人被技术门槛挡在门外。TDgpt 的模型能力虽然强，但"藏在代码层"，前端入口分散，缺一块面向业务用户的"模型工作台"。

TDmodel 就是来补这个缺的——让业务用户用自然语言，在 IDMP 上完成从数据选择到模型训练、部署上线、监控告警的端到端建模。

这场直播你会看到：

• 模型生命周期全景：需求提出 → 模型开发（数据接口/变量处理/算法训练/模型评估）→ 模型注册 → 模型部署 → 模型监控 → 下线/重训练，一条链路讲清楚

• 三大建模场景：时序预测（ARIMA/Prophet）、异常检测（iForest/SVM）、回归拟合（Linear/Ridge/Lasso/ElasticNet/SVR/Polynomial），当前主推前两个高成熟度场景

• 端到端零代码流程：根路径+元素模板定位数据 → 多元素拼接成分析宽表自动时间对齐 → 多算法并行训练 → 性能比较选冠军 → 一键部署

• 模型自动注册为 SQL 函数：部署后业务侧一条 SELECT 直接调用，不用写代码、不用调外部 API

• 部署后持续监控：CUSUM/KS/PSI 指标追踪，训练值 vs 实际值对比，支持自定义告警规则

一句话总结：不写 Python，不调库，不排期——业务工程师自己就能把模型跑起来、用起来、管起来。

📅 直播时间：8月6日（周四）19:00

---

两期直播，两条能力主线：工业本体给数据语义，TDmodel 让模型触手可及。 前者让 AI 看懂数据，后者让 AI 预测未来——从"读懂"到"预测"，工业 AI 的闭环就此合上。

关注我们，第一时间获取直播动态，不错过任何一期硬核内容。