在9月29日給同濟大學管理科學與工程碩士班同學上課中同學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。此次簡要談談其中一個同學問到的“人工智能應用中，是否人發(fā)揮的作用更大？”。

就以目前經(jīng)常談到的機器學習（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，行為主義幾個學派許久的研究嘗試之后，還是讓機器回到“學習”這個人類基本的思維形成過程，當然，機器學習目前與統(tǒng)計學，數(shù)據(jù)挖掘等還有大量重疊部分，但也有在監(jiān)督學習方面有一些發(fā)展的區(qū)別，并且本文對于規(guī)則和數(shù)據(jù)兩種不同的機器學習方向也不做討論，僅就機器學習本身的通用過程來分析其中人的作用即可。

機器學習的整個過程可以分為數(shù)據(jù)收集、預處理、降維、建模、測試，整個過程中，人都會扮演非常重要的角色。

圖-機器學習的通用過程描述【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)整個的難點和核心問題，如果理解了這個問題，相信對于機器學習也就不難理解了，在第一個階段，你先把現(xiàn)實世界的問題提煉為一個機器學習的問題，就需要你對問題有很深的認知，做控制工程的人都清楚，如果問題能夠被數(shù)學描述，建模，那么編程反倒是件簡單的事情，機器學習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)化為一個機器學習的問題本身就是一個挑戰(zhàn)。

首先是工藝必須懂，注塑機是怎么打一個產(chǎn)品的，印刷機又是怎么印刷確保套色準確的，鍋爐的進風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，往往難題在于做機器學習的人不懂工藝，而懂工藝的人不懂機器學習，所以，跨界融合創(chuàng)新的難點就發(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)范與標準化，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)乎整個機器學習的質(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)來訓練，而有大量數(shù)據(jù)訓練又可能會出現(xiàn)數(shù)據(jù)無關(guān)性，比如與質(zhì)量無關(guān)的數(shù)據(jù)用于訓練，那么也訓練不出高品質(zhì)的模型。

人工智能是人與機器的協(xié)作

而如何對數(shù)據(jù)進行特征選擇，平衡特征值與數(shù)據(jù)量的關(guān)系，以獲得最佳的學習質(zhì)量，本身就要依賴于機器學習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，在整個機器學習的訓練中，數(shù)據(jù)預處理階段占據(jù)了整個機器學習項目超過50%甚至更多的時間，正如圈里的話所說“數(shù)據(jù)和特征決定了機器學習訓練全過程的上限，而模型和算法只是逼近這個上限而已”。

對于機器學習后續(xù)的建模、訓練中的難點我們暫且不談，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，這里的評價應該是人與機器各自發(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)量的人工智能應用，不管是機器學習，還是深度學習，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，至少當前的狀態(tài)是如此。