Cummins
制造数据Ontology与运营决策
Palantir
工业制造
典型Forward Deployed
标准案例｜可参考但仍有缺口
B级证据
生产级
B
证据等级
Cummins：制造数据Ontology与运营决策
证据等级衡量“能否定位和复核来源”，不评价厂商披露是否经过第三方审计。
标准案例｜可参考但仍有缺口
7 / 12
业务背景1 / 2
改造流程1 / 2
技术工作流2 / 2
人机与治理1 / 2
量化结果1 / 2
来源定位1 / 2
仍可补强：业务背景、改造流程、人机与治理、量化结果、来源可定位性
业务问题
制造数据虽大量存在，但业务团队难以快速按真实业务对象访问并行动。
解决方案
用Foundry把设备、零件、订单、工艺等数据组织成Ontology，供分析与AI工作流调用。
技术架构与生产工作流
Step 01
设备/质量/工艺/维护/供应链/历史事件
→
Step 02
Foundry整合实时与历史工业数据
→
Step 03
Ontology建立设备、零部件、订单、工艺与约束
→
Step 04
AIP/预测/优化发现风险与推荐动作
→
Step 05
工程师/现场人员确认并操作
→
Step 06
执行结果和故障反馈沉淀为后续模型与规则上下文
关键技术与基础设施组件
FoundryOntology制造数据AIP/分析权限治理
人机分工与责任边界
工程和运营团队负责现场执行与安全判断。
FDE 动作拆解
- 和制造运营一线团队共同走完整流程，找出真正需要决策而不是展示数据的节点
- 把分散数据源、权限和业务术语整理成统一可操作的Ontology
- 将业务规则、优化模型、LLM和传统软件按可靠性边界组合，而不是让LLM包办
- 把建议直接嵌入现有操作工作台，并设计批准、驳回、升级和写回Action
- 用业务KPI验收并根据真实反馈继续改Ontology、规则和自动化
可迁移复用的落地方法论
- 先把业务对象、关系、状态和Action建模清楚，再谈Agent
- 建议必须进入可执行工作流，否则只是另一张仪表盘
- 高价值部署往往是数据整合 + 规则/优化 + AI + Human-in-the-loop的组合
- 持续把执行结果写回，才能形成可积累的运营记忆
业务成效与交付成果
公开客户引述重点强调Ontology让企业能更快、更高效访问数据；未公开统一ROI。
证据边界与核验记录
- 官网公开客户引述确认Ontology价值；技术实现细节和指标披露有限。
- 当前链接为官方汇总入口，尚需补充可直接定位该案例的深链接或页码。