解锁机器学习：给行业领袖的实战洞见
机器学习 (ML) 对陌生者显得晦涩难懂。对 ML 是什么、对制造业意味什么缺乏理解，有时催生智能机器接管人类的荒诞念头。但 ML 本质上是信息技术 (IT) 发展的重大进步。其运作方式与局限，必须为想充分受益于组织的人所完全理解。
ML 确实需要特定统计与 IT 技能，制造业中鲜少人具备或曾需。但其原理相当简单——甚至直觉可懂。对我而言，曾视为平庸的在线翻译服务——Google Translate——让我领悟 ML 变革潜力。
简单说，语言翻译软件长期基于编程词典、语法规则及其无数例外，涉及大量工作量。
从“基于规则”到“数据驱动”流程
- 新方法源自更简单想法：别试图从头定义规则词表，让软件“发现”它们。从国际组织收集数百万已翻译页面。
- 用户提交待译文本，软件切片为基本元素，在同语言已翻译页面中搜索相同或相似元素。
- 提取最可能翻译建议用户。
数据中发现的相关统计模式取代翻译规则。无需辛苦编程，软件自动“学习”。易见此法成本节约价值，因译文质量通常与传统法持平。制造业中，生产力增益叠加实质质量提升。凡指定过自动化流程者知：即使领域专家参与，预判软件投产后将面对的所有可能情况极其复杂。软件功能规则基于假设，假设又依赖有限观察。现实往往远超预期复杂，导致自动化最终次优或软件需昂贵修正。机器学习则吸收所有可用数据发展自我，不论数据量级。这意味着模式或用例被遗漏风险有限。
人类必须保持掌控
机器也规避人类智能“认知偏差”导致的不完美数据选择与不当决策。好例是银行贷款申请自动处理：算法审视借款人关键信息与还款信息，高亮借款人画像与违约风险可能关系。应用于新申请，算法以足够准确度预测借款人是否偿还。这消除了偏见或银行操作员情绪触发的错误决策风险。尽管如此，人类必须保持最终决策者至关重要。首先，软件显然不完美，受人类设定参数管控。例：可能被优化避免“假阳性”（贷款给会违约借款人），从而倾向拒绝某些申请。用户须核对系统建议合法性，必要时驳回，让系统学习新标准，下次接受类似画像申请。另一关键原因：唯有人类应确保道德标准达标，特别是决策涉及个人权利时。
数据为王
必须选择设置适配当前制造流程与支撑数据类型的算法模型。自动化性能取决于满足两大命令：数据质量、训练集代表性——即基于无偏观察开展 ML 时自动化更高效。数据访问对 ML 成功至关重要，因为任何级别算法精巧都无法弥补劣质数据集。随着算力与数字化增长，利用数据驱动方法设计更高效自动化制造流程已成为可能且可能必需。除所需科学技能外，这些方案成败在于相关数据收集与人工监控运营。机器学习倾向摒弃任意行为。由我们确保其不以不当过度泛化取而代之。
作者：Jean-Cyril Schütterlé，Sidetrade 产品与数据科学副总裁
自动化控制系统