前言

科技的突飛猛進(jìn)使工業(yè)4.0時(shí)代即將到來，然而現(xiàn)實(shí)發(fā)展仍存在許多風(fēng)險(xiǎn)因素。本文首先分析了工業(yè)4.0時(shí)代的易變性、不確定性、復(fù)雜性和模糊性問題。這四個(gè)風(fēng)險(xiǎn)因素源于寶潔公司提出的VUCA戰(zhàn)略，這里的VUCA是它們的英文首字母，該戰(zhàn)略被廣泛用于行業(yè)分析之中，目的是根據(jù)預(yù)期目標(biāo)提出解決風(fēng)險(xiǎn)的措施。利用機(jī)器學(xué)習(xí)，是解決工業(yè)4.0時(shí)代的VUCA問題的最佳途徑。

工業(yè)4.0時(shí)代到來

工業(yè)4.0最初在2011年由德國提出，是指為促進(jìn)工業(yè)制造數(shù)字化而制定的高科技項(xiàng)目戰(zhàn)略，從而打造完全自動(dòng)化的制造行業(yè)。目前，工業(yè)4.0已經(jīng)應(yīng)用了最先進(jìn)的科學(xué)技術(shù)：云計(jì)算、物聯(lián)網(wǎng)、大數(shù)據(jù)、射頻識(shí)別、協(xié)同開發(fā)等。其中以物聯(lián)網(wǎng)技術(shù)和大數(shù)據(jù)技術(shù)最為知名。

(1)物聯(lián)網(wǎng)技術(shù)與工業(yè)4.0

物聯(lián)網(wǎng)(Internet of Things，簡稱IoT)最初由美國麻省理工學(xué)院工業(yè)自動(dòng)識(shí)別中心的創(chuàng)始人凱文阿什頓在1999年提出，指將一切通過高度智能化的交互系統(tǒng)連接，從而形成自動(dòng)化的世界。這里的“智能”指利用先進(jìn)的通信和互聯(lián)網(wǎng)技術(shù)，有效處理信息，并形成“智能產(chǎn)業(yè)”。物聯(lián)網(wǎng)設(shè)備之間的交互動(dòng)作，讓它們彼此獲得信息，使得設(shè)備自身可以監(jiān)控業(yè)務(wù)流程、提高生產(chǎn)效率，進(jìn)而節(jié)省成本，做出更好地決策。

物聯(lián)網(wǎng)技術(shù)可以被分為四個(gè)階段：

1. 數(shù)據(jù)傳感階段：工業(yè)生成的數(shù)據(jù)通過傳感器感測，并收集傳輸?shù)阶罱幕镜却幚?
2. 整理加工階段：對(duì)數(shù)據(jù)進(jìn)行整理和處理，并根據(jù)需要進(jìn)行相應(yīng)轉(zhuǎn)換;
3. 預(yù)處理階段：利用邊緣技術(shù)處理系統(tǒng)在數(shù)據(jù)傳輸?shù)街行那斑M(jìn)行預(yù)處理;
4. 存儲(chǔ)維護(hù)階段：生成的數(shù)據(jù)被存儲(chǔ)維護(hù)，為后續(xù)分析建立基礎(chǔ);

物聯(lián)網(wǎng)技術(shù)的四個(gè)階段說明，具有高度感測技術(shù)的自動(dòng)化裝置是工業(yè)物聯(lián)網(wǎng)的基礎(chǔ)組成部分，這些智能機(jī)器的操作將增加工業(yè)生產(chǎn)的靈活性，影響生產(chǎn)者對(duì)智能管理的依賴性，并為行業(yè)發(fā)展設(shè)定新的標(biāo)準(zhǔn)。

物聯(lián)網(wǎng)技術(shù)能滿足數(shù)字市場的快速發(fā)展和消費(fèi)者需求的不斷增加，在不需要人工干預(yù)的情況下，及時(shí)、準(zhǔn)確地完成分配的工作。使用物聯(lián)網(wǎng)的行業(yè)運(yùn)營效率更高，更能了解客戶的需求，最終提高盈利能力。

(2)大數(shù)據(jù)與工業(yè)4.0

工業(yè)發(fā)展導(dǎo)致系統(tǒng)中出現(xiàn)了巨大的數(shù)據(jù)流，這些數(shù)據(jù)的保護(hù)、處理和維護(hù)成為人們關(guān)注的焦點(diǎn)，大數(shù)據(jù)技術(shù)(Big Data Technology，簡稱BDT)由此而生。大數(shù)據(jù)最初由IBM數(shù)據(jù)科學(xué)家定義而來，從字面上講，意味著大量信息的數(shù)據(jù)集合，它是一個(gè)分析海量數(shù)據(jù)的概念。

大數(shù)據(jù)這個(gè)概念有五個(gè)維度：

1. 體量：大數(shù)據(jù)代表數(shù)據(jù)數(shù)量上遠(yuǎn)比之前龐大;
2. 多樣：不同的數(shù)據(jù)源，生成了不同結(jié)構(gòu)的數(shù)據(jù);
3. 速度：數(shù)據(jù)生成的速度快，分析處理的速度也快;
4. 真實(shí)：數(shù)據(jù)的真實(shí)性是分析的前提;
5. 價(jià)值：通過分析數(shù)據(jù)得到的行動(dòng)是有價(jià)值的;

目前，大數(shù)據(jù)已經(jīng)成為各種業(yè)務(wù)數(shù)字化的基礎(chǔ)，它在收集、傳輸、分析和使用大量實(shí)時(shí)數(shù)據(jù)的同時(shí)，生成的信息提供了智能流程的改進(jìn)思路，從而保障工業(yè)生產(chǎn)高效、無故障地執(zhí)行。適當(dāng)收集和分析大數(shù)據(jù)將提高產(chǎn)品制造、供應(yīng)鏈管理、物流和風(fēng)險(xiǎn)管理等多個(gè)部門的競爭力。

VUCA戰(zhàn)略知多少

VUCA戰(zhàn)略指的是前言中提到的易變性、不確定性、復(fù)雜性和模糊性，最初的VUCA戰(zhàn)略發(fā)源于軍事領(lǐng)域，但是現(xiàn)在已經(jīng)廣泛應(yīng)用于商業(yè)分析中。VUCA戰(zhàn)略通過分析預(yù)期的發(fā)展風(fēng)險(xiǎn)因素，并對(duì)這些情況加以準(zhǔn)備，從而在競爭激烈的商業(yè)世界中生存。因?yàn)閂UCA發(fā)音近似于烏卡，所以也用“烏卡”代表。

VUCA戰(zhàn)略具有如下四個(gè)維度：

• 易變性(Volatility)：指商業(yè)環(huán)境中的極端和快速變化。這些變化的速度、數(shù)量和幅度可以反映它在商業(yè)環(huán)境中的波動(dòng)程度。產(chǎn)生易變性的原因往往是已知的，比如價(jià)格的易變性會(huì)導(dǎo)致供應(yīng)鏈的風(fēng)險(xiǎn)，商品供給的易變性將導(dǎo)致公司無法滿足消費(fèi)者需求;
• 不確定性(Uncertainty)：由于易變性的存在，在缺乏了解的時(shí)候?qū)?huì)產(chǎn)生不確定性，從而導(dǎo)致未來不可預(yù)測，影響長期發(fā)展。在商業(yè)環(huán)境中，可能引起不確定性的因素包括：用戶需求、偏好的變化，新政策的提出，新產(chǎn)品對(duì)舊產(chǎn)品的替代等;
• 復(fù)雜性(Complexity)：復(fù)雜性的產(chǎn)生來自兩個(gè)方面，一是工業(yè)化的快速發(fā)展，使企業(yè)內(nèi)部相互聯(lián)系的網(wǎng)絡(luò)和程序逐漸復(fù)雜，二是外部的商業(yè)環(huán)境的不確定性導(dǎo)致決策的復(fù)雜性。外包活動(dòng)(如會(huì)計(jì)核算、市場營銷和計(jì)算機(jī)輔助設(shè)計(jì)業(yè)務(wù))的引入，導(dǎo)致復(fù)雜性更加普遍;
• 模糊性(Ambiguity)：模糊性表現(xiàn)在商業(yè)行動(dòng)中無法清晰陳述、無法準(zhǔn)確評(píng)估概率以及無法描述潛在結(jié)果的多樣性，當(dāng)新產(chǎn)品或者新計(jì)劃被引入市場時(shí)，模糊性出現(xiàn)的可能性更高;

機(jī)器學(xué)習(xí)知多少

機(jī)器學(xué)習(xí)屬于數(shù)據(jù)科學(xué)范疇，被視為一種涵蓋數(shù)據(jù)處理所有方面的研究，它是人工智能的一個(gè)分支，賦予機(jī)器自主學(xué)習(xí)的能力，而不需要人工干預(yù)。機(jī)器學(xué)習(xí)使計(jì)算機(jī)不需要人工編程，就可以自動(dòng)化地執(zhí)行任務(wù)。

機(jī)器學(xué)習(xí)技術(shù)(Machine Learning)

機(jī)器學(xué)習(xí)的流程如下：

1.數(shù)據(jù)收集：這是機(jī)器學(xué)習(xí)流程的第一步，也是最重要的一步。計(jì)算機(jī)根據(jù)問題陳述收集相關(guān)數(shù)據(jù)，這些被收集的數(shù)據(jù)被稱為訓(xùn)練數(shù)據(jù)，它們應(yīng)當(dāng)準(zhǔn)確完整，以便解決問題;

2.數(shù)據(jù)預(yù)處理：預(yù)處理是為了將采集到的不完整、不一致和錯(cuò)誤的數(shù)據(jù)轉(zhuǎn)換為可行的數(shù)據(jù)，以便更好地?cái)M合機(jī)器學(xué)習(xí)模型。在除去了數(shù)據(jù)集的問題后，數(shù)據(jù)的特征將被提取出來，并用于模型訓(xùn)練;

3.模型構(gòu)建：選擇適當(dāng)?shù)臋C(jī)器學(xué)習(xí)技術(shù)來獲得預(yù)期結(jié)果的過程。機(jī)器學(xué)習(xí)的模型種類很多，總體可分為有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)三種，不同的技術(shù)適合處理的問題不同;

4.模型訓(xùn)練與測試：在確定選擇哪種模型之后，預(yù)處理的數(shù)據(jù)集會(huì)被分為訓(xùn)練集和測試集兩個(gè)部分，分別滿足訓(xùn)練和測試兩種要求。模型訓(xùn)練指利用機(jī)器學(xué)習(xí)技術(shù)將模型評(píng)估的誤差降到最小，當(dāng)模型訓(xùn)練完成后，它就被用于測試數(shù)據(jù)集中進(jìn)行測試工作，以評(píng)估模型的效率和準(zhǔn)確性，測試的結(jié)果會(huì)由一些評(píng)價(jià)指標(biāo)進(jìn)行反映;

5.性能評(píng)估：利用交叉驗(yàn)證、參數(shù)調(diào)整和多種機(jī)器學(xué)習(xí)算法，嘗試得到效果更好的算法，或者使用組合方法將多個(gè)算法的結(jié)果組合起來;

6.模型執(zhí)行：執(zhí)行模型輸出結(jié)果，以便在未來利用模型完成機(jī)器學(xué)習(xí)任務(wù);

那么，機(jī)器學(xué)習(xí)是如何對(duì)VUCA戰(zhàn)略進(jìn)行解讀的呢?由于不同的VUCA戰(zhàn)略所要實(shí)現(xiàn)的目標(biāo)不同，這就涉及到了一些具體的機(jī)器學(xué)習(xí)算法。

機(jī)器學(xué)習(xí)解讀VUCA戰(zhàn)略

在這一部分中，作者會(huì)介紹幾種常用的機(jī)器學(xué)習(xí)算法，簡要描述它們的原理，并舉例說明它們?cè)诠I(yè)4.0的VUCA戰(zhàn)略的現(xiàn)實(shí)應(yīng)用。

(1)線性回歸模型：線性回歸是回歸算法中一種有監(jiān)督的機(jī)器學(xué)習(xí)算法，它根據(jù)給定的變量來預(yù)測結(jié)果，得到兩者的線性關(guān)系。常用的線性回歸模型有兩種，分別是單個(gè)變量的簡單線性和多變量的多元線性回歸。

線性回歸模型主要解決VUCA戰(zhàn)略的易變性和不確定性問題。谷歌公司的應(yīng)用軟件已經(jīng)利用線性模型分析特定道路的歷史數(shù)據(jù)，來預(yù)測交通狀況。一些金融從業(yè)人員利用波動(dòng)率指標(biāo)建立線性模型來預(yù)測金融市場的波動(dòng)性，并證明該方法優(yōu)于傳統(tǒng)的移動(dòng)平均法。

(2)Logistic回歸模型：是分類算法中一種有監(jiān)督的機(jī)器學(xué)習(xí)算法，以給定的變量作為輸入值，以0或1、是或否、真或假等離散值預(yù)測輸出結(jié)果。雖然是回歸模型，但解決的是分類問題，通過給出預(yù)測得數(shù)據(jù)所屬類的概率來完成判別。

Logistic回歸模型主要解決VUCA戰(zhàn)略的復(fù)雜性和模糊性問題。醫(yī)療行業(yè)用這個(gè)方法將病人分為關(guān)鍵診斷和非關(guān)鍵診斷類別，金融行業(yè)據(jù)此建立預(yù)警模型，根據(jù)過去的債務(wù)、違約情況和收入，判斷用戶是否會(huì)在業(yè)務(wù)中違約。這種算法有效地處理了復(fù)雜和模糊的風(fēng)險(xiǎn)因素，預(yù)測結(jié)果具有較高的精度。

(3)決策樹模型：一種有監(jiān)督的機(jī)器學(xué)習(xí)算法，分為分類算法和回歸算法兩類。數(shù)據(jù)集被分為具有相同類別的較小部分，直到所有的數(shù)據(jù)都被分類，且節(jié)點(diǎn)是最終的決策節(jié)點(diǎn)。決策樹由熵、信息增益來構(gòu)成，以預(yù)測事件的不確定性程度。

決策樹模型主要解決VUCA戰(zhàn)略中的不確定性和模糊性問題。例如，大型工業(yè)項(xiàng)目由于規(guī)劃設(shè)計(jì)復(fù)雜，且參與的群體多樣，存在很大的不確定性，利用決策樹模型可以對(duì)這些不確定因素進(jìn)行分類，提前預(yù)測風(fēng)險(xiǎn)。

(4)隨機(jī)森林模型：一種有監(jiān)督的機(jī)器學(xué)習(xí)算法，通過隨機(jī)收集決策樹來預(yù)測期望的結(jié)果，從而創(chuàng)造“森林”，隨著決策樹生長，每個(gè)決策樹都可以對(duì)新對(duì)象分類并投票，最高票數(shù)將對(duì)隨機(jī)森林的過程分類。

隨機(jī)森林模型主要解決VUCA戰(zhàn)略中的模糊性問題。它有助于估計(jì)公司不穩(wěn)定的業(yè)務(wù)績效指標(biāo)，如預(yù)測機(jī)械零件故障的可能性、估算市場的盈利能力并最小化風(fēng)險(xiǎn)，在預(yù)測災(zāi)害損失方面也有應(yīng)用，且效果優(yōu)于其他機(jī)器學(xué)習(xí)算法。

(5)支持向量機(jī)模型：分類算法范疇下的有監(jiān)督機(jī)器學(xué)習(xí)算法，通過生成一個(gè)平面或者決策邊界將樣本分成不同的類，數(shù)據(jù)樣本點(diǎn)根據(jù)不同的特征進(jìn)行分類，每個(gè)點(diǎn)都有不同的坐標(biāo)作為支持向量。

支持向量機(jī)模型主要處理易變性、復(fù)雜性和不確定性問題。供應(yīng)鏈管理系統(tǒng)的需求預(yù)測、工業(yè)材料風(fēng)險(xiǎn)對(duì)沖模型等都涉及到了這些內(nèi)容。

總結(jié)

工業(yè)4.0通過物聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)實(shí)現(xiàn)自動(dòng)化數(shù)據(jù)交換，通過云計(jì)算實(shí)現(xiàn)數(shù)據(jù)存儲(chǔ)和處理，通過認(rèn)知計(jì)算幫助人類決策。它降低了人力成本，簡化了業(yè)務(wù)流程，提高了生產(chǎn)預(yù)測的準(zhǔn)確性。這些改進(jìn)將顯著提高生產(chǎn)效率和收入，有助于經(jīng)濟(jì)增長。

然而，工業(yè)4.0的進(jìn)程中仍存在易變性、不確定性、復(fù)雜性和模糊性問題，這些問題影響了工業(yè)發(fā)展進(jìn)程，需要得到合理的解決。機(jī)器學(xué)習(xí)技術(shù)可以讓智能設(shè)備在不需要人工編程的情況下做出決定，從而減少不確定因素導(dǎo)致的風(fēng)險(xiǎn)，在未來將被廣泛應(yīng)用。