【来论】屋宇工程中的「啤酒与尿片」

市场学上曾经有这样的一个经典案例──「啤酒与尿片」。杂货零售店通过数据挖掘，发现逢星期五晚，尿片和啤酒的销量具有关联性。后来，发现这种关联性，源于男士下班后，往往会被要求顺路购买尿片回家，而男士又会顺便为自己采购啤酒，于是令两者出现关连性。

尽管这只是一个市场学的旧故事，但其启发性和影响力，仍常出现于很多数据密集型行业的应用程式设计上。例如，今时今日的屋宇工程系统，为我们提供了大量关于装置、设备和设施日常运作的数据。收集适当的数据后，进行分析，就可识别出屋宇系统的运作模式，例如耗电、人流、承重、热舒适度水平和装备的维修保养等。

要为屋宇工程作出明智决策，必先了解每个工程部分，均非由孤立的系统集合而成，而是一个相互联系的生态系统，当中每个部分，都以独特的方式进行互动。行业专家们会根据每个案例，累积自己的一套经验；然而，要了解一个更为庞大的生态系统中，每个子部分间极为巨大的互连关系，对于人类而言，即使并非近乎不可能，但必然耗力极巨。

电梯电缆出现异常，就是一个有趣的例子。从行业专家的角度来看，如果电梯电缆突然跳动，显示问题与电梯本身有关，例如是发动机或制动器故障。但是，如果在同一个地区，所有电梯电缆都同时出现同一事故，就表明可能发生了一个连行业专家都没有经验过的问题。透过数据查核，可能会发现问题源于区内电力故障；但这类问题已非屋宇本身可以自行解决，更绝非行业专家能力所及。只有通过数据主导的方法，找出并解释各种数据之间的关联性，才能及时发现问题并予以即时处理。

数据主导的方法，不仅适用于屋宇维修保养，更可用于许多其他方面，例如评估节能功效、提升用户体验，以及开拓超出行业专家经验以外的机会。

然而，即使这种方法明显易于执行，但从不同系统收集的数据，却很少能完全解读及应用；意思非指我们在培训上或行业内，数据科学家的数量不足，而是在现实中，理解和解读屋宇系统数据的技术，其障碍非常高。关于数据及其彼此间关系的定义，尚未有被广泛执行的统一标准；而业内所常用的专门术语，亦非广为数据科学家所熟悉。数据的质量低，加上缺乏解读特定行业大数据集的有效方法，就成为了两个普遍存在的问题。

为解决这些问题，应该开发一种通用的语义模式，能表述出屋宇设备系统及其子系统、组件和零件间如何彼此互动。

现时已有一些大学的屋宇工程学系和业内组织，正积极研究此一主题，希望不久之后，我们将能看到类似市场学中，解读「啤酒和尿片」相互关系的经典案例，在屋宇工程行业的数据解读中出现。

戴剑寒

香港电脑学会人工智能专家小组

执行委员会成员