工业人不要过度强调机器学习
机器学习很重要、最近的发展也很快 ， 学术界研究无可厚非 。 但我有一种感觉：工业界人士对机器学习的追捧有点过头了 。 打个比方：生产味精的人可以拿生产味精“当饭吃”；但厨师却不能把味精“当饭吃” 。 对工业人来说 ， 迷信机器学习 ， 反而不容易看到真正的机会、不利于数字化转型 。
与自动化不同 ， 智能化特别强调人的作用 。 对此 ， 我曾经把智能化的决策逻辑分成两种：一种是把人的知识变成数字化知识、嵌入到计算机中、让软件去执行；一种是人类在决策的闭环中 ， 用数字化、网络化的手段帮助人类决策 。
为什么智能化要强调人的作用 ， 或者说强调人机融合？
这是自动化的局限性所决定的 。 比如 ， 机器自动执行是要有预案的 。 制定预案 ， 就要事先把可能发生的事情想清楚 。 所以 ， 自动化往往是针对小型、封闭系统 ， 否则问题就会太复杂、无法操作 。 而智能化往往是针对大型、开放系统的 。 在大型开放系统中 ， 不确定性强 。 这时 ， 不确定性问题是人或者机器用人能理解的逻辑）来处理的 。
智能化的“决策”是用于在线场景的 ， 往往与规范化的管理或控制流程结合 。 决策需要知识 。 所以 ， “知识获取”是“决策流程”背后的支撑 。 如果把“决策”比作打仗的军队 ， “知识获取”就是军队的后勤保障 。
与机器相比 ， 人类获取知识的能力明显更强 。 在智能系统中 ， “决策”都要强调人的作用 ， “知识获取”又怎么能过度强调自动化（机器学习）呢？
现在 ， 我们来看看 ， 现实中的机器学习到底在做什么？
最成功的机器学习大概就是图像识别了 。 图像识别的本质 ， 往往是把人容易掌握让计算机掌握 。 因为人类难以将自己的感性知识代码化 ， 所以才需要机器学习 。 类似的 ， 阿尔法狗也是把人的感性认识变成计算机的知识 。 从这种意义上讲 ， 机器学习并不是在“创造知识” ， 而是在“转移知识”：把人的知识转移给机器 。
搜索引擎中 ， 也大量使用所谓“机器学习” 。 这种学习的本质是一种人类开发的特殊统计算法 ， 人类编写的这些算法才是真正的知识；而机器学习到的知识 ， 本质上是“统计结果” 。
人们可能忽略的是：工业界很早之前就现实地采用机器学习了 。 比如 ， 在炼钢和轧钢领域 ， 机器学习已经用了几十年 。 这些技术早已是现代化钢铁企业的核心技术 。 这些机器学习的本质又是什么呢？在我看起来 ， 本质上只是模型参数的调整 。 换句话说 ， 并不是发现新的知识 ， 而是用数据对知识精细化 。
我觉得：工业界中的参数调整 ， 可以看成PDCA持续改进：首先是有了一个相对较好的初始工作点 ， 然后在这个工作点附近调整或者逼近 。 每次的学习（调整）本质上都是微调 。 这样 ，“机器学习”的结果是可控的 。
这种做法是有必然性的 。 工业问题一旦到了生产环节 ， 就一定会强调可靠性、稳定性（尤其是针对大工业） ， 要防止风险的发生 。 所以 ， 机器学习的结果一定是可控的、分寸上一定要把握好 。
从生产实践中获得知识 ， PDCA才是最基本的方法：先得到一个成功的案例 ， 将其作为标准；在下次采用的过程中 ， 不断地加以改进 。 笔者认为：在智能化时代 ， 工业生产领域的知识学习 ， PDCA仍然是主流逻辑 。 这大概就是日本的IVRA结构强调PDCA的原因 。
PDCA的逻辑可以是人来做、可以是机器帮助人来做、也可以是机器自己去做 。 在数字化时代 ， 机器帮助人做、机器自己做的比例会增加 。 因为机器的效率比人类高了很多 。 但与智能决策的方式一样：智能化时代的PDCA不能过度强调是机器自动去做 ， 要适可而止 。
数字化、网络化时代的优势 ， 是PDCA更加容易做 。 容易做的原因是信息优势：发生问题、需要调整时 ， 原因容易追溯——数字化、网络化带来的信息优势 ， 使得过去难以发现的问题容易发现了 。
推荐阅读
- 国家工业互联网标识解析二级节点（威海）上线
- 德国专家：中国这项顶尖科技尚未突破，还请你们不要盲目自嗨
- 我国首次给四个新职业定标
- 美的探索工业互联网+5G+AI应用场景，成本可降低10%
- 免费好用：这款Win10系统增强工具不要错过（二）
- 打造青岛世界工业互联网之都 首届电商直播专项职业能力考评顺利举办
- 拼多多回应员工猝死：网传截图不实，不要相信所谓回应
- 3D大屏监控选矿工艺
- AI引领：永远不要低估技术的温情和对世界的关心
- 工业|西南地区首张5G工业专网正式商用