您或許已經(jīng)聽說過機器學習和人工智能（AI）的前景。這兩個技術(shù)概念，已經(jīng)引起了全世界的關(guān)注。自動駕駛汽車、人形機器人、設備預測維護——這些應用不僅僅限于消費者領域，工業(yè)界也開始瘋狂了?？纯醋罱饕I(yè)出版物的諸多頭條新聞就知道了。這種趨勢仍將繼續(xù)，實際上，未來它可能無處不在。因此，您不妨了解一下。

傳統(tǒng)上，分析是統(tǒng)計學家的專長。在工業(yè)領域普及計算機之前，分析師使用鉛筆和紙完成分析工作。而現(xiàn)在的分析，是描述數(shù)據(jù)科學的總稱。

例如，沿著一條簡單的線找到一個點，通常屬于標準數(shù)據(jù)分析的范疇。該線被認為是“回歸”。沿著線找到點是“回歸分析”。執(zhí)行簡單的回歸分析司空見慣。

機器學習可以看作是AI 的子集，盡管這兩個術(shù)語通常可以互換使用。機器學習是AI的統(tǒng)計方面，其中還包括認知計算和建模。每個類別的邊界可能是模糊的。

表征AI的另一種方法，是使用真實世界數(shù)據(jù)得出結(jié)論的計算機代碼。如果以此方式建立系統(tǒng)，則可以根據(jù)這些結(jié)論自動做出決策。然后，可以將更多信息輸入系統(tǒng)并做出更多的決策。對AI 的描述，反映了當今流行文化的對AI 的理解，它反映了人類的思想方式。我們接受信息，得出結(jié)論并做出決定。

人類思想常?？梢杂谩叭绻?，那么”的形式來表達，當然也可以用其它形式表示。與此類似，我們也可以用用其中一種算法來實例化AI。根據(jù)功能對算法進行分組很有用。我們來了解一下機器學習算法的主要類別。

一些算法將事物進行“分組”。例如，假設正在生產(chǎn)零部件。質(zhì)保部門或在線測量系統(tǒng)將把兩個測量功能與零件關(guān)聯(lián)：寬度和高度。將這些數(shù)據(jù)用于生成圖表?？梢允褂妙伾珌砻鞔_分類方案。如果您使用的是Excel 向?qū)?，則可以自己生成圖形，在新零件通過時將其繪制到圖表上（見圖1）。

隨著將更多信息添加到架構(gòu)中，集群功能變得更強大。假設添加了有關(guān)次品的信息。結(jié)果顯示，藍色組代表的次品占比將近80％，而綠色組則占大約20％。

但是為什么要停在那里？假設我們也開始收集長度信息。想象一下在三個維度上繪制圖表。先進的繪圖程序可以做到這一點，因此可以繼續(xù)手動輸入和分組信息。當分組得到改善后，藍色組顯示的次品占比達到85％。

此時，如果使用機器學習算法完成聚類，它將執(zhí)行分類，但是只能自動執(zhí)行可以手動完成的操作。那為什么機器學習是更好的選擇？

這個時候，如果需要增加另一個維度怎么辦？也許電導率是有意義的參數(shù)，或者是濕度讀數(shù)，或者是陽極氧化電流。但是3D 圖只能具有三個維度。另一方面， 使用機器學習算法意味著可以繪制四個、五個、六個甚至一百個維度的圖形。

聚類算法根據(jù)每個零件的屬性繪制圖形，將彼此接近的零件識別為一組。一旦完成此操作，就更容易看到哪些屬性或?qū)傩缘慕M合最有可能產(chǎn)生次品。

這意味著可以根據(jù)其它屬性自動對分組進行進一步細化，并且可能對藍色組進行充分細化，以預測95％或99％的次品。對于最有可能需要返工的產(chǎn)品，洞察力得到了顯著改善?？赡艿倪x擇是在采取不必要的步驟之前，將其從生產(chǎn)環(huán)節(jié)中撤出，從而可以節(jié)省時間和成本。

決策樹是另一種在概念上具有重大意義的簡單技術(shù)。在數(shù)據(jù)挖掘中決策樹訓練是一個常用的方法。目標是創(chuàng)建一個模型來預測樣本的目標值。在日常生活中，我們經(jīng)常會建立決策樹，以回答諸如以下問題：交通狀況如何？天氣如何？我今天應該給媽媽打電話嗎（請參見圖2）？構(gòu)建一個算法是一項簡單任務。首先，確定描述過程的數(shù)據(jù)以及有關(guān)結(jié)果的信息。結(jié)果生成的算法，將構(gòu)建一棵映射預測結(jié)果的樹。它會通過多種可能性（也許是數(shù)千甚至更多種），來構(gòu)想出盡可能準確的樹。

其它重要的分析概念，還包括建模和訓練。當將過程數(shù)據(jù)輸入到機器學習算法中時，就會進行訓練，從而生成模型，進而識別出好的和壞的過程示例。

想象一下，有人坐下來用筆寫出一個決策樹。然后他們寫了一個又一個決策樹。之后，就可以確定最佳決策樹，然后放棄其它決策樹。最終的決策樹就是模型。對于聚類算法，該模型將僅被稱為“聚類模型”或“模型”。

換句話說，使用最佳決策樹可以利用一組數(shù)據(jù)基于處理流程來獲得預測?；氐角懊娴氖纠谝粋€語句可能是“如果寬度小于23.5，那么xxx”，第二個語句可能是，“如果高度大于43.3，那么xxx?！睓C器學習算法創(chuàng)建問題，以獲得它所能得到的最佳答案。

決策樹在預測性維護應用中具有很大的實用性。如前所述，回歸分析可能很簡單。但當涉及到機器學習算法時，它可能會很復雜。

同樣，回歸分析的基礎可以通過在一條線上找到一個點來說明。要畫一條線，首先要確定畫一條什么類型的線。它是曲線嗎？是直線嗎？它有很多曲線嗎？如果將其繪制在x-y 二維平面中，這很容易做到。當將機器學習應用于復雜數(shù)據(jù)和更多維度時，它會大放異彩。手工繪制100 個維度，永遠是不切實際的，但是一種算法可以輕松地解決這一問題，并且可以輕松找到最佳擬合回歸（如果存在的話）。

回歸分析在過程調(diào)整和生產(chǎn)預測中非常有用。并非所有數(shù)據(jù)都適合進行回歸分析（例如，聚類數(shù)據(jù)），但是對于那些某個因素會影響其它因素的項目可能非常有用。

也許您聽說過深度學習和神經(jīng)網(wǎng)絡，那您真的了解它們是什么嗎？深度學習是機器學習的分支，是一種以人工神經(jīng)網(wǎng)絡為架構(gòu)，對數(shù)據(jù)進行表征學習的算法。神經(jīng)網(wǎng)絡是包含數(shù)千或數(shù)百萬個節(jié)點的模型，這些節(jié)點是計算機代碼的小塊，每個塊都可以接受輸入并產(chǎn)生輸出。所謂神經(jīng)網(wǎng)絡是因為它們旨在模擬神經(jīng)元在大腦中的工作方式。就像我們大腦中的神經(jīng)元一樣，節(jié)點之間的某些連接相對較強，其它可能相對較弱。

對于神經(jīng)網(wǎng)絡，算法不只是配置節(jié)點。它們自我構(gòu)建，從而可以建立具有數(shù)百萬個節(jié)點的模型來處理數(shù)據(jù)。

當神經(jīng)網(wǎng)絡“消化”數(shù)據(jù)時，它會變形和變化，直到在預測結(jié)果或提供分類方面達到設定目標為止。經(jīng)過訓練，它可以做幾乎所有事情?？赡苄枰@取最近的傳感器讀數(shù)并經(jīng)計算獲得問題出現(xiàn)的可能性。或者，它可以評估一組1 和0，以確定是否描繪了一只貓。所有這些數(shù)百萬個節(jié)點，都以某種方式“理解”了圖像。對每個節(jié)點只是簡單的數(shù)學運算，但節(jié)點的排列和權(quán)重都可以以某種形式用于獲得結(jié)論。

這就是為什么很少能有人真正理解它們的原因。要求數(shù)據(jù)科學家解釋神經(jīng)網(wǎng)絡，他們可能能夠解釋數(shù)學問題。如果請同一位數(shù)據(jù)科學家解釋如何在這些字節(jié)中識別“怪獸”，他可能會用“魔法”來解釋。

神經(jīng)網(wǎng)絡如此令人印象深刻，它們在工業(yè)領域也提出了難題。如果算法告訴您要做某事，您會做嗎？如果是決策樹、回歸分析或聚類模型分配建議，則可以跟蹤獲得結(jié)論的方式。但是，神經(jīng)網(wǎng)絡可能不會讓你了解獲得系統(tǒng)的“原因”。它只是給出一個可以相信與否的答案。如果這些決定可能會導致停機或生產(chǎn)瓶頸，則可能會遭到質(zhì)疑，為什么要使用算命先生的魔法水晶球來制定決策。

世界正在變化，人工智能和機器學習技術(shù)將不斷發(fā)展，并且在更多行業(yè)得到應用。人工智能技術(shù)已經(jīng)證明了其價值，采用的企業(yè)看到了已經(jīng)獲得的領先優(yōu)勢。人工智能并不能解決所有問題，但如果應用得當，它可以在短時間內(nèi)產(chǎn)生很大的變化。所以放開手腳，大膽的去建立模型吧，你會在過程中找到答案的。