从统计思维到智能思维

编者按

本文译自俄罗斯《标准与质量》2020年第10期，作者阿列克萨特勒·切萨里宁是俄罗斯科技大学计算机和信息安全部主任、技术科学副博士，谢勒盖伊·格罗特崽斯金是俄罗斯科技大学管理信息技术部教授、技术科学博士。

20世纪初，爱因斯坦提出了相对论，海森堡和薛定谔阐述了量子力学的基本原理，发现微观世界适用概率定律。非平衡热力学的创始人之一普利高津和他的学生们成功地改变人们对世界的决定性看法：在这个世界里，对系统状况的了解可以明确地描述未来。很明显，不确定性不仅存在于现有知识体系和不完善工具里，还存在于世界模型本身。

统计思维

威尔斯在100年前写道：“总有一天，统计思维对公民而言与读和写一样重要。”很难说是什么原因赋予这位著名的英国科幻作家这种想法，但现实生活证实了他的观点：现在人们普遍意识到，缺乏统计思维与教育不足或者说普遍认知不足有关。

然而，统计结果有时会被明显怀疑。互联网上充斥着关于统计数据的嘲弄，比如19世纪英国政治家季思拉埃利的言论“谎言，无耻的谎言，统计”，就远不只是对它本身的轻视了。通常情况下，我们会提到“医院的平均温度”，但对统计而言实际上并没有这种东西。

在日常生活中，我们会不知不觉地从统计学角度思考问题，尤其发生过程参数的自然离散现象时。例如，我们带着一定的时间余量去上班，以防万一我们迟到。很明显，出行越重要，迟到的代价也就越大，也就意味着我们越要有更多的时间余量。

回顾一下。统计思维缘起于一个实际的任务，以解决1923年著名电话发明家贝尔实验室设计的产品缺陷问题，当时问题摆在休哈特面前。在实验过程中，休哈特确立了世界多变性的根本作用，并提出了一种减少其对决策影响的方法。统计思维的出现，为现代质量管理系统理论创造了先决条件。

休哈特提出了统计过程管理的理念，并奠定了统计质量控制的基础。为了确定当前的状态，他创建了带有边界的控制图。在边界里，表示应该控制在该参数值状态下的过程；超越边界，则意味着由于特殊原因，这个过程变得无法控制，需要识别和消除特殊原因。

现在人们普遍认为，质量管理体系的基础是休哈特-戴明循环，每个阶段都应当采用统计思维的原则。

统计思维是基于多变性理论，从而决定是否干预，以及如果有必要，决定由谁和什么时候来干预的一种方法。俄罗斯学者阿特列勒和施贝勒对统计思维的起源和变异理论的基础进行了研究，提出一个更普遍和简洁的定义：“统计思维是在一个饱受易变性之害的世界里做出系统性决策的能力。”

随着工业4.0的到来，统计思维变得前所未有的热门。不同来源和时间、不同的真实程度的信息，意味着不同的真实，因而必须分析大量的不同种类的数据集（大数据）。在不断成长、快速变化的信息体量和速度面前，世界上几乎没有任何分析者能够胜任。数字化时代现代企业日常处理的数据总量早已超过十亿字节，而且还在不断增加。在人工智能方法基础上建立的新技术，已经开始帮助分析师们。若干已经被证实有用的工具，可以用来实现统计思维。

智能思维

今天我们碰到的问题，是如何正确使用现代方法和算法。因为所应用数据的多样性、矛盾性、成熟度、真实性和相关性，这有时非常困难。在这种情况下，最重要的任务是将数据通过“工程”形式转化为实现算法所需要的类型，使其能够最大限度地利用有用信息并消除无用数据。

确定人工智能的方法和算法颇难，同样困难的还有培训，以及怎么选择启发式、确定系数、教学模式等。有时模型的学习过程就像一个复杂的实验。然而，数据处理、算法选择和模型构建还只是工作的一部分。模型需要根据不断出现的新的要求、数据、获得条件等具体情况，不断调适、加以控制。此外，分析师还必须掌握在哪里使用某种模型、怎样实施某一方法或算法、什么方式能达到最大效用、所使用模型的可靠性如何等。

概括起来说，今天我们已必须具备智能思维，也允许使用大量数据构建复杂的预测模型。这就是在管理现代系统方面获得重大优势的方法。

当涉及到不同的数字系统时，通常会出现一个薄弱环节，也是系统中最需要关注的部分，那就是人。但自动化使得许多科学技术领域能够消除这一个薄弱环节。

人工智能的应用使数字生产系统更加灵活和高效。值得注意的是，现有的人工智能基本上在更高水平上解决了同样的自动化问题。这种人工智能被认为是“弱”的，在，而一个被认为“强”的人工智能可以建成有创造力的全新事物。但这是对未来的展望，我们必须认识到，在目前，创造力尚是人类的特权。

在第四次工业革命中，质量的提高或减少与众所皆知的人为因素密不可分。有两种方法可以解决这一问题：要么用通用机器人取代一个人，这个理想在不确定的遥远未来；要么现在就以智能思维训练一个人。

当然，实现第二个选项非常困难，因为人工智能的方法包含了来自不同知识领域的元素，比如概率和数理统计理论、算法和编程、信息学和模拟等。

根据我们的研究，列出了数字化生产管理中应该使用的7种基本人工智能方法。

·模糊逻辑；

·机器学习（包括神经网络）；

·大数据分析；

·博弈论；

·模拟（数字模拟、多代理模拟）；

·进化算法；

·专家系统和决策支持系统。

人工智能和大数据

智能思维应该在需要的地方被使用，尤其是面对困难挑战可以带来重大优势的地方。一般来说，这些任务与大数据处理直接相关。大数据的概念具有各种属性，如Visualizat（可视化）、Variability（变化性）、Viability（可行性）、Veracity（真实性）、Velocity（速度）、Variety（类型）、Volume（体量）、Value（价值），这些都需要运用智能思维去解读。

人工智能的标准任务是基于大数据的智能系统去解决各种预测问题，即使智商（IQ）最高的人也无法承担。因为人不能像电脑那样处理信息，也不能像现代计算机那样分离处理过程。因此，显而易见的解决办法是，将处理大数据的智能思维过程转移到现代计算设备上。在这种情况下，需要“人”能够开发和编程必要的算法，并控制机器学习的质量和信息的真实性。可以把基于大数据创建人工智能系统的过程分为下列几个阶段。

·确定可以通过人工智能有效解决的问题及其范围；

·识别出待解决问题所必需的数据和属性，对它进行预处理；

·建立一个合适的人工智能算法来有效解决这个问题；

·确定如何将拟议中的人工智能嵌入到目标系统中。

因此，人类在创造复杂技术系统智能思维的任务是：在人工智能帮助下，合理解决对事物领域和问题定义的系统分析，以及为达此目的来使用/构造有效的人工智能算法。

技术发展的紧迫挑战是建立具有大批、多种、完整和协同作用的网络物理系统。它只能通过人工智能处理大数据的有效算法来解决，这需要人类的智能思维。

结论

从长远来看，人工智能的作用将会增加，因此智能思维的发展是现代工程师和管理者的首要任务。随着时间的推移，智能思维将变得和如今的统计思维一样平凡。

让我们试着给人工智能一个先验定义：这是一种采取基于人工智能方法的系统决策能力。

也许，我们的表达会被指责为某种程度上的“歪曲”，对此我们不作争论。但为了明确“统计思维”理念的清晰理解，曾经需要几乎一个世纪的时间。在21世纪，“年被压缩成时刻，世纪被压缩成时刻”，因此更精确的表达可能会更快呈现。

用一句颇具诱惑力的话来结束这篇文章：“总有一天，智能思维将成为与人们的读和写一样的必需品。”