传统的机器学习技术往往使用原始形式来处理自然数据，模型的学习能力受到很大的局限，构成一个模式识别或机器学习系统往往需要相当的专业知识来从原始数据中(如图像的像素值)提取特征，并转换成一个适当的内部表示。

　　而深度学习则具有自动提取特征的能力，它是一种针对表示的学习。深度学习允许多个处理层组成复杂计算模型，从而自动获取数据的表示与多个抽象级别。这些方法大大推动了语音识别，视觉识别物体，物体检测，药物发现和基因组学等领域的发展。通过使用BP算法，深度学习有能力发现在大的数据集的隐含的复杂结构。

　　安全生产管理 从行政管理到数据驱动的进化

　　事实证明，物联网、大数据和人工智能等新兴技术无疑是当下企业实现全方位的安全生产管理的有力抓手，相比“制度管理”其可以通过可预知的投入获得可衡量的收益。当然，这些新兴技术也给传统安全生产管理者带来了困惑，就是如何在安全生产管理体系中去应用它们。寄云科技提出“数据驱动安全生产管理”，通过层次化的思维，在统一的工业互联网平台之上，分别从设备、生产和经营三个层面入手，落地安全生产管理解决方案。

　　基于数据驱动的设备可靠性管理。在设备层面，方案构建设备数字孪生模型，将资产、组织、过程、工艺的数据进行了模型化，形成了不同层次的管理对象，实现指标、从属关系、数据源等属性的配置，从而将接入平台的设备基础数据有效的管理起来。在这些基础数据之上，方案为企业关键生产设备开发预测性维护应用，实现故障率的降低，提高设备的可靠性。

　　基于数据驱动的生产关键工艺流程管理。在生产层面，方案采集生产过程中的各类数据，通过精细化的多维度、长周期、以工艺为基础结合人工智能的数据分析，来提高生产成品的收率。对于生产中需要监控的各种关键指标，方案根据指标的各种特征，通过模型计算出相应的监控指标，设定监控策略，并对违背策略的异常进行告警。

　　基于数据驱动的安全风险管控决策和应急指挥。方案建立全效应急指挥和安全生产机制，基于大数据全面感知安全风险态势，结合事故频度、单位等特征统计分析，预测可能发生的重大突发事件;统一组态视角，打通控制系统信息化壁垒，实现实时的生产运行监控;系统还实现业务管理分级预警、报警功能，环保管理等。

　　数据是贯穿设备、生产和经营三个层面的血脉。方案通过采集设备数据、生产数据、外部数据等，构建融合的“数据中心”。基于这个融合的“数据中心”，实现统一的设备运行状态的监测，并能够结合大数据、人工智能手段实现关键设备的预测性维护，以及生产过程优化等应用，并在此基础上实现整体经营层面的全局管理，最终达到提升安全生产管理水平的目的。