前言

科技的突飛猛進使工業(yè)4.0時代即將到來，然而現(xiàn)實發(fā)展仍存在許多風險因素。本文首先分析了工業(yè)4.0時代的易變性、不確定性、復雜性和模糊性問題。這四個風險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)預期目標提出解決風險的措施。利用機器學習，是解決工業(yè)4.0時代的VUCA問題的最佳途徑。

工業(yè)4.0時代到來

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

(1)物聯(lián)網(wǎng)技術與工業(yè)4.0

物聯(lián)網(wǎng)(Internet of Things，簡稱IoT)最初由美國麻省理工學院工業(yè)自動識別中心的創(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，從而形成自動化的世界。這里的“智能”指利用先進的通信和互聯(lián)網(wǎng)技術，有效處理信息，并形成“智能產(chǎn)業(yè)”。物聯(lián)網(wǎng)設備之間的交互動作，讓它們彼此獲得信息，使得設備自身可以監(jiān)控業(yè)務流程、提高生產(chǎn)效率，進而節(jié)省成本，做出更好地決策。

物聯(lián)網(wǎng)技術可以被分為四個階段：

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：對數(shù)據(jù)進行整理和處理，并根據(jù)需要進行相應轉換;
3. 預處理階段：利用邊緣技術處理系統(tǒng)在數(shù)據(jù)傳輸?shù)街行那斑M行預處理;
4. 存儲維護階段：生成的數(shù)據(jù)被存儲維護，為后續(xù)分析建立基礎;

物聯(lián)網(wǎng)技術的四個階段說明，具有高度感測技術的自動化裝置是工業(yè)物聯(lián)網(wǎng)的基礎組成部分，這些智能機器的操作將增加工業(yè)生產(chǎn)的靈活性，影響生產(chǎn)者對智能管理的依賴性，并為行業(yè)發(fā)展設定新的標準。

物聯(lián)網(wǎng)技術能滿足數(shù)字市場的快速發(fā)展和消費者需求的不斷增加，在不需要人工干預的情況下，及時、準確地完成分配的工作。使用物聯(lián)網(wǎng)的行業(yè)運營效率更高，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、處理和維護成為人們關注的焦點，大數(shù)據(jù)技術(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，它是一個分析海量數(shù)據(jù)的概念。

大數(shù)據(jù)這個概念有五個維度：

1. 體量：大數(shù)據(jù)代表數(shù)據(jù)數(shù)量上遠比之前龐大;
2. 多樣：不同的數(shù)據(jù)源，生成了不同結構的數(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：數(shù)據(jù)的真實性是分析的前提;
5. 價值：通過分析數(shù)據(jù)得到的行動是有價值的;

目前，大數(shù)據(jù)已經(jīng)成為各種業(yè)務數(shù)字化的基礎，它在收集、傳輸、分析和使用大量實時數(shù)據(jù)的同時，生成的信息提供了智能流程的改進思路，從而保障工業(yè)生產(chǎn)高效、無故障地執(zhí)行。適當收集和分析大數(shù)據(jù)將提高產(chǎn)品制造、供應鏈管理、物流和風險管理等多個部門的競爭力。

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、復雜性和模糊性，最初的VUCA戰(zhàn)略發(fā)源于軍事領域，但是現(xiàn)在已經(jīng)廣泛應用于商業(yè)分析中。VUCA戰(zhàn)略通過分析預期的發(fā)展風險因素，并對這些情況加以準備，從而在競爭激烈的商業(yè)世界中生存。因為VUCA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)境中的波動程度。產(chǎn)生易變性的原因往往是已知的，比如價格的易變性會導致供應鏈的風險，商品供給的易變性將導致公司無法滿足消費者需求;
• 不確定性(Uncertainty)：由于易變性的存在，在缺乏了解的時候將會產(chǎn)生不確定性，從而導致未來不可預測，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)品對舊產(chǎn)品的替代等;
• 復雜性(Complexity)：復雜性的產(chǎn)生來自兩個方面，一是工業(yè)化的快速發(fā)展，使企業(yè)內部相互聯(lián)系的網(wǎng)絡和程序逐漸復雜，二是外部的商業(yè)環(huán)境的不確定性導致決策的復雜性。外包活動(如會計核算、市場營銷和計算機輔助設計業(yè)務)的引入，導致復雜性更加普遍;
• 模糊性(Ambiguity)：模糊性表現(xiàn)在商業(yè)行動中無法清晰陳述、無法準確評估概率以及無法描述潛在結果的多樣性，當新產(chǎn)品或者新計劃被引入市場時，模糊性出現(xiàn)的可能性更高;

機器學習知多少

機器學習屬于數(shù)據(jù)科學范疇，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分支，賦予機器自主學習的能力，而不需要人工干預。機器學習使計算機不需要人工編程，就可以自動化地執(zhí)行任務。

機器學習技術(Machine Learning)

機器學習的流程如下：

1.數(shù)據(jù)收集：這是機器學習流程的第一步，也是最重要的一步。計算機根據(jù)問題陳述收集相關數(shù)據(jù)，這些被收集的數(shù)據(jù)被稱為訓練數(shù)據(jù)，它們應當準確完整，以便解決問題;

2.數(shù)據(jù)預處理：預處理是為了將采集到的不完整、不一致和錯誤的數(shù)據(jù)轉換為可行的數(shù)據(jù)，以便更好地擬合機器學習模型。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，并用于模型訓練;

3.模型構建：選擇適當?shù)臋C器學習技術來獲得預期結果的過程。機器學習的模型種類很多，總體可分為有監(jiān)督學習、無監(jiān)督學習和強化學習三種，不同的技術適合處理的問題不同;

4.模型訓練與測試：在確定選擇哪種模型之后，預處理的數(shù)據(jù)集會被分為訓練集和測試集兩個部分，分別滿足訓練和測試兩種要求。模型訓練指利用機器學習技術將模型評估的誤差降到最小，當模型訓練完成后，它就被用于測試數(shù)據(jù)集中進行測試工作，以評估模型的效率和準確性，測試的結果會由一些評價指標進行反映;

5.性能評估：利用交叉驗證、參數(shù)調整和多種機器學習算法，嘗試得到效果更好的算法，或者使用組合方法將多個算法的結果組合起來;

6.模型執(zhí)行：執(zhí)行模型輸出結果，以便在未來利用模型完成機器學習任務;

那么，機器學習是如何對VUCA戰(zhàn)略進行解讀的呢?由于不同的VUCA戰(zhàn)略所要實現(xiàn)的目標不同，這就涉及到了一些具體的機器學習算法。

機器學習解讀VUCA戰(zhàn)略

在這一部分中，作者會介紹幾種常用的機器學習算法，簡要描述它們的原理，并舉例說明它們在工業(yè)4.0的VUCA戰(zhàn)略的現(xiàn)實應用。

(1)線性回歸模型：線性回歸是回歸算法中一種有監(jiān)督的機器學習算法，它根據(jù)給定的變量來預測結果，得到兩者的線性關系。常用的線性回歸模型有兩種，分別是單個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)，來預測交通狀況。一些金融從業(yè)人員利用波動率指標建立線性模型來預測金融市場的波動性，并證明該方法優(yōu)于傳統(tǒng)的移動平均法。

(2)Logistic回歸模型：是分類算法中一種有監(jiān)督的機器學習算法，以給定的變量作為輸入值，以0或1、是或否、真或假等離散值預測輸出結果。雖然是回歸模型，但解決的是分類問題，通過給出預測得數(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)略的復雜性和模糊性問題。醫(yī)療行業(yè)用這個方法將病人分為關鍵診斷和非關鍵診斷類別，金融行業(yè)據(jù)此建立預警模型，根據(jù)過去的債務、違約情況和收入，判斷用戶是否會在業(yè)務中違約。這種算法有效地處理了復雜和模糊的風險因素，預測結果具有較高的精度。

(3)決策樹模型：一種有監(jiān)督的機器學習算法，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)點是最終的決策節(jié)點。決策樹由熵、信息增益來構成，以預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)項目由于規(guī)劃設計復雜，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這些不確定因素進行分類，提前預測風險。

(4)隨機森林模型：一種有監(jiān)督的機器學習算法，通過隨機收集決策樹來預測期望的結果，從而創(chuàng)造“森林”，隨著決策樹生長，每個決策樹都可以對新對象分類并投票，最高票數(shù)將對隨機森林的過程分類。

隨機森林模型主要解決VUCA戰(zhàn)略中的模糊性問題。它有助于估計公司不穩(wěn)定的業(yè)務績效指標，如預測機械零件故障的可能性、估算市場的盈利能力并最小化風險，在預測災害損失方面也有應用，且效果優(yōu)于其他機器學習算法。

(5)支持向量機模型：分類算法范疇下的有監(jiān)督機器學習算法，通過生成一個平面或者決策邊界將樣本分成不同的類，數(shù)據(jù)樣本點根據(jù)不同的特征進行分類，每個點都有不同的坐標作為支持向量。

支持向量機模型主要處理易變性、復雜性和不確定性問題。供應鏈管理系統(tǒng)的需求預測、工業(yè)材料風險對沖模型等都涉及到了這些內容。

總結

工業(yè)4.0通過物聯(lián)網(wǎng)和大數(shù)據(jù)技術實現(xiàn)自動化數(shù)據(jù)交換，通過云計算實現(xiàn)數(shù)據(jù)存儲和處理，通過認知計算幫助人類決策。它降低了人力成本，簡化了業(yè)務流程，提高了生產(chǎn)預測的準確性。這些改進將顯著提高生產(chǎn)效率和收入，有助于經(jīng)濟增長。

然而，工業(yè)4.0的進程中仍存在易變性、不確定性、復雜性和模糊性問題，這些問題影響了工業(yè)發(fā)展進程，需要得到合理的解決。機器學習技術可以讓智能設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致的風險，在未來將被廣泛應用。