作为我们探索科学研究前沿系列的一部分，我们采访了世界经济论坛青年科学家奥尔加·芬克。她是苏黎世联邦理工学院智能维护系统教授，正在开发智能算法，以提升复杂工业资产的安全性和可靠性
你试图解决的核心问题是什么？
我的研究最终目标是提升工业资产和关键基础设施的性能、安全性和可用性，并使其维护和运营更具成本效益。近年来，复杂工程系统已通过大量状态监测设备受到密切监控。我的研究重点是开发智能算法，从这些规模庞大、类型各异的状态监测数据中学习，并在故障发生前预测故障——即使系统此前从未出现过任何故障。这里的一项主要挑战，是让算法能够推广应用，并使其开发过程具备可扩展性。
你打算用什么核心思路来解决这个问题？
其中有几个基本思路。一个是开发人工智能算法，使其不只适用于某个特定系统，还能让同一设备群中各个系统之间共享运行经验和故障模式。这就像一个会说葡萄牙语的人想学西班牙语：他或她不会用葡萄牙语和西班牙人交谈，但也不必从零开始学西班牙语——他们可以迁移一些基础概念、语法和词汇。
我们探索的另一个方向，是将工程知识与人工智能算法结合起来，充分发挥两者各自的优势。
你会怎样向一个5岁的孩子解释这件事？
我们的工作就像医生看病，只不过我们的“病人”是复杂的工业资产，比如发电厂、船舶发动机和列车。由于这些“病人”无法开口告诉我们自己不舒服，我们依靠状态监测系统收集有关系统健康状况的证据。然后，我们利用这些测量数据，判断系统何时开始“生病”，诊断病因，并预测系统还能安全运行多久。我们的最终目标不仅是预测哪里出了问题，还要告诉系统应如何运行，以延长其使用寿命。这就像医生建议病人调整饮食、多锻炼，以延长寿命。
这段历程中最困难、最具挑战性的部分是什么？
最困难的部分，是找到来自真实应用场景的数据集，并且这些数据集适合用来证明我们所采用方法的有效性。
人们不知道的最令人震惊的事实是什么？
这算不上震惊，但可能令人意外：我们面临的最大挑战，恰恰是安全关键系统非常可靠，很少发生故障。这让我们难以从数据中学习，也难以验证已开发的解决方案。如果我们等到收集到足够多的故障模式再开始学习，就得等上数百年（根据设备群的规模，甚至可能要等上数千年）。
另一个令人意外的事实是，尽管许多应用场景收集了大量数据，但在很多情况下，这些数据并未得到主动利用。
最后一点是，人工智能算法背后并没有什么魔法。它们只能学习数据中包含的内容，只不过这些内容可能隐藏得很深，并不明显。
你的工作背后有什么有趣的故事吗？
小时候，我想当一名医生。长大后，我的兴趣发生了变化，我发现自己更热爱数学，于是成了一名工程师。但最终，我成了机器的医生。
