在9月29日給同濟(jì)大學(xué)管理科學(xué)與工程碩士班同學(xué)上課中同學(xué)們得提問題涉及到了很多有意思的話題，因此撰文對其中幾個問題進(jìn)行回答，也共同分享，上次談到智能制造是一個技術(shù)變革還是一個管理變革，但是，發(fā)現(xiàn)遠(yuǎn)不止于此，包括制度、技術(shù)、管理、組織、生態(tài)等都是需要變革的。此次簡要談?wù)勂渲幸粋€同學(xué)問到的“人工智能應(yīng)用中，是否人發(fā)揮的作用更大？”。

就以目前經(jīng)常談到的機(jī)器學(xué)習(xí)（machinelearning）來說吧！在之前談到的人工智能發(fā)展的連接主義，符號主義，行為主義幾個學(xué)派許久的研究嘗試之后，還是讓機(jī)器回到“學(xué)習(xí)”這個人類基本的思維形成過程，當(dāng)然，機(jī)器學(xué)習(xí)目前與統(tǒng)計學(xué)，數(shù)據(jù)挖掘等還有大量重疊部分，但也有在監(jiān)督學(xué)習(xí)方面有一些發(fā)展的區(qū)別，并且本文對于規(guī)則和數(shù)據(jù)兩種不同的機(jī)器學(xué)習(xí)方向也不做討論，僅就機(jī)器學(xué)習(xí)本身的通用過程來分析其中人的作用即可。

機(jī)器學(xué)習(xí)的整個過程可以分為數(shù)據(jù)收集、預(yù)處理、降維、建模、測試，整個過程中，人都會扮演非常重要的角色。

圖-機(jī)器學(xué)習(xí)的通用過程描述【來自智慧的疆界】

將工業(yè)問題變?yōu)橐粋€數(shù)學(xué)問題就是難題

就像對于任何的軟件開發(fā)和自動化工程項目一樣，把需求搞清楚都是困難的事情，把用戶的需求和自身的系統(tǒng)之間進(jìn)行有效的匹配，或者將實驗室的設(shè)計到實現(xiàn)可執(zhí)行的經(jīng)濟(jì)性制造過程本身在很多行業(yè)就是非常困難的，也是制造業(yè)整個的難點(diǎn)和核心問題，如果理解了這個問題，相信對于機(jī)器學(xué)習(xí)也就不難理解了，在第一個階段，你先把現(xiàn)實世界的問題提煉為一個機(jī)器學(xué)習(xí)的問題，就需要你對問題有很深的認(rèn)知，做控制工程的人都清楚，如果問題能夠被數(shù)學(xué)描述，建模，那么編程反倒是件簡單的事情，機(jī)器學(xué)習(xí)的道理也并未超越這個局面，因此，如何將行業(yè)的問題轉(zhuǎn)化為一個機(jī)器學(xué)習(xí)的問題本身就是一個挑戰(zhàn)。

首先是工藝必須懂，注塑機(jī)是怎么打一個產(chǎn)品的，印刷機(jī)又是怎么印刷確保套色準(zhǔn)確的，鍋爐的進(jìn)風(fēng)量和煤炭的輸送鏈條和輸入量的關(guān)系等等，而且還有擾動因素有哪些....非常多的問題，往往難題在于做機(jī)器學(xué)習(xí)的人不懂工藝，而懂工藝的人不懂機(jī)器學(xué)習(xí)，所以，跨界融合創(chuàng)新的難點(diǎn)就發(fā)生在這個第一步了。

數(shù)據(jù)清洗與特征選擇

數(shù)據(jù)采集又會是一個問題，不同的控制器，不同的總線，數(shù)據(jù)的定義、單位、格式等都會有很多偏差，這個方面也需要規(guī)范與標(biāo)準(zhǔn)化，不能來了很多沒有用的數(shù)據(jù)，或者殘缺的不能滿足一個完整的描述工藝的數(shù)據(jù)集，而且數(shù)據(jù)也要，確保數(shù)據(jù)正確的過程是一個“清洗”過程，而數(shù)據(jù)的是合適的部分則是特征選擇的問題。

這個過程本身包括數(shù)據(jù)的集成、清洗操作、分層采樣、數(shù)據(jù)分配、規(guī)范化、平滑化等操作，而這些操作，并非是由機(jī)器來完成，而是要由人來完成。

其中的特征選擇關(guān)乎整個機(jī)器學(xué)習(xí)的質(zhì)量，過多的特征會讓數(shù)據(jù)維度過高，而造成數(shù)據(jù)稀疏，這又會造成難以獲得相似性的回歸，而且很多時候工業(yè)里維度提高了卻沒有足夠的數(shù)據(jù)來訓(xùn)練，而有大量數(shù)據(jù)訓(xùn)練又可能會出現(xiàn)數(shù)據(jù)無關(guān)性，比如與質(zhì)量無關(guān)的數(shù)據(jù)用于訓(xùn)練，那么也訓(xùn)練不出高品質(zhì)的模型。

人工智能是人與機(jī)器的協(xié)作

而如何對數(shù)據(jù)進(jìn)行特征選擇，平衡特征值與數(shù)據(jù)量的關(guān)系，以獲得最佳的學(xué)習(xí)質(zhì)量，本身就要依賴于機(jī)器學(xué)習(xí)專家和工藝專家對這些問題的權(quán)衡。這些都依賴于人的智慧、經(jīng)驗和產(chǎn)業(yè)積累。

因此，在整個機(jī)器學(xué)習(xí)的訓(xùn)練中，數(shù)據(jù)預(yù)處理階段占據(jù)了整個機(jī)器學(xué)習(xí)項目超過50%甚至更多的時間，正如圈里的話所說“數(shù)據(jù)和特征決定了機(jī)器學(xué)習(xí)訓(xùn)練全過程的上限，而模型和算法只是逼近這個上限而已”。

對于機(jī)器學(xué)習(xí)后續(xù)的建模、訓(xùn)練中的難點(diǎn)我們暫且不談，而只是為了這個開始階段，我們就可以看到，人在其中的作用仍然是巨大的，至少今天的AI還沒有能夠達(dá)到自主選擇特征值、自己處理數(shù)據(jù)等智能性。

因此，可以說，人工智能是人的知識、經(jīng)驗與機(jī)器的存儲、計算能力的融合，共同解決生產(chǎn)中的實際問題，因此，這里的評價應(yīng)該是人與機(jī)器各自發(fā)揮各自的優(yōu)勢，但是，的確如果沒有人的前期處理，特征選擇與提取，就無法實現(xiàn)一個高質(zhì)量的人工智能應(yīng)用，不管是機(jī)器學(xué)習(xí)，還是深度學(xué)習(xí)，其實，前期這個工作都是由人的智慧來發(fā)揮關(guān)鍵作用的，至少當(dāng)前的狀態(tài)是如此。