最近和幾位朋友談到同一個問題：從數據中獲得知識。有人談起，他們準備做工業大腦，大量應用機器學習。對這種做法的成效，我表示了擔憂。
人們很早就知道，可以從工業數據中獲得知識。但是，現實卻往往并不理想。一個重要的原因是：與數據分析師相比，工業人往往并不缺乏專業知識。所以，數據分析師看到的相關性，或者是假象、或者是工業人老早就了解的知識，很少增加新知識。所以，數據分析的實際作用，往往定位在比經驗更準一點。其實，“更準一點”也不容易做到：因為工業現場數據的質量往往不理想，分析結果常常存在“有偏估計”。
從數據中難以得到新知識，還有一個原因：工業過程和工業對象都是人造的。在正常的情況下，往往反映的就是人類已知的知識。容易發現新知識的數據，往往是那些有點“異常”的數據。正常生產的數據雖然很多，卻不容易蘊含新知識。這有點像人的創新：善于創新的人，往往是那些想到“盒子之外”的人。
但是，異常數據也不一定產生知識。在多數情況下，異常數據往往是數據的采集或收集過程出了問題。對數據分析師來說，真正的“異常過程”往往是可遇不可求的、是難得的機會。因為管理好的企業，應該很少出現異常。而且，對數據分析師來說，“異?！焙芸赡苁菍I過程和對象的理解不到位導致的，屬于“少見多怪”。
根據筆者的經驗，發現知識的一種可能性是“知識的融合”。不同的產品、不同的設備狀態、不同的流程背后都有人類積累的知識。但這些知識往往是碎片化的，僅僅適合特定的場景。把這些知識融合在一起，形成廣泛適用的知識，是非常值得做的事情。這樣的知識一旦形成，對創新和優化的意義非常巨大，也有知識發現的空間。
數據分析有一個非常重大的意義，就是掌握現代化技術的抓手。
我國的許多先進技術都是從國外引進的。長期以來，我們并沒有把引進技術消化透。我們或許會用這些技術，卻不能很好地掌握這些技術。就像會開車的人不一定會修車、不一定會造車。這是個很大的麻煩，使得我們無法擺脫“引進落后，再引進再落后”的怪圈。
要擺脫這個怪圈，需要對引進技術深入理解。但如何才能深入理解呢？小平同志說：掌握新技術，要善于學習更要善于創新。實踐證明，只有在創新中才能學習到位。但這里又遇到一個困境：學都沒學好，如何創新呢？
答案是從改進型的“微創新”開始。員工小改小革發揮的作用或許不大，但通過小改小革，卻能深入地了解引進技術。小改小革的次數多了，也就容易掌握引進技術了。所以，小改小革是培養人、培養能力的抓手。
怎樣小改小革？我曾經給某公司領導建議抓兩件事：“不犯二次錯、做得更好點”。產品質量或設備出現問題是難免的，要努力做到不犯第二次錯誤；每次生產都涉及到質量、成本、效率等問題，希望每次都有進步或者保持最好。這兩件事看起來很小，但卻能把數字化相關的技術拉動起來。這個道理我在過去的文章中講過，這里就不多說了。
做這兩件事的時候，幾乎一定會遇到數據分析：為什么出問題了？如何做得更好一點？所以，數據分析往往是支持“微創新”的必要手段。在數據分析過程中，我們可以從微觀角度深入地理解技術的本質。對高度自動化的企業，更是如此。因為生產技術都寫入了計算機，都由數據表現出來了。當年寶鋼第一批技術業務專家，搞計算機的比例很大，總體上與此有關。
我們知道：在許多傳統制造行業，美國原本是領頭羊，但日本制造卻不斷超越美國。這一點，很少國家能夠做到。在我看來，日本人做到這一點的重要原因，是有著精益求精的精神。在求精的過程中，真正認識、掌握新技術，從而超越了美國。我們的企業往往缺乏精益求精的精神，也就難以實現從跟隨到超越的轉變。
數字化時代的到來，給我們提供了新的機會。數據分析，幫助我們抓住機會。但我認為：對機器學習的作用不要過于迷信。智能化我往往是“用人明白的道理，讓機器做得更好”。我們做數據分析，往往首先是變成“人明白的道理”，然后再寫入計算機中。如果跨越了人的這一步，工廠敢讓機器去決策嗎？簡單決策可以，復雜就不行了。
作者：郭朝暉(工學博士，教授級高工。企業研發一線工作20年；優也科技信息公司首席科學家；東北大學、上海交大等多所院校兼職教授。國內知名智庫、走向智能研究院的發起人之一。原寶鋼研究院首席研究員)
