3S Market 傳遞 智慧應用與價值的商業資訊
Coronavirus cases surpass 20,000 in China, continues to spread worldwide
工業 4.0 智慧工廠
|
2020年2月5日 星期三
．神經網路的氣宗與劍宗之爭：先驗強大的網路甚至不需要訓練
AI vs Machine Learning vs Deep Learning Machine Learning Training with Python
 |
|
0935-970-603 施正偉
|
leiphone 作者：杨晓凡
AI 科技評論按：深度神經網路中有許多連接加權，這些加權的值，對網路表現有巨大影響；透過反向傳播，可以定向優化這些加權，提高網路的表現，這個過程被稱作「訓練」；訓練過程通常需要多輪換代，需要大量的稠密矩陣運算；這些都是領域內的常識。
因為訓練過程如此地重要，深度學習研究人員們，都會設立多 GPU 陣列加速訓練過程，關於訓練技巧的論文連篇累牘，甚至還有「深度學習調參師」、「玄學調參」、「希望上帝給我一個好的初始隨機種子」之類的調侃。
那麼連接加權，是影響神經網路表現的唯一因素嗎？應該也不是。不僅近幾年中人類手工設計的許多網路架構，以更少的參數、更高的表現，證明瞭網路架構重要性，神經架構搜索（NAS），更在各種任務中，分別找到了可以達到更高表現的網路架構。不過，這些網路架構，都仍然需要經過適當的訓練，才能得到好的表現，似乎只是說明了「適當的架構和適當的訓練可以相得益彰」。
本著對照實驗的精神，我們似乎應該設計另一組實驗：為了說明訓練的影響，我們在相同架構的網路上，做不同的訓練；那為了說明架構的影響，我們需要在不同架構的網路上，做相同的訓練；根據實驗結果我們就可以定性、定量地分析訓練和架構各自的影響，釐清這場神經網路的「氣宗與劍宗之爭」（網路結構與訓練的影響之爭）。
說明架構影響的這件事並不好做，如何在不同架構的網路上，做相同的訓練，就首先是一個難題。谷歌大腦的研究人員 Adam Gaier 和 David Ha 在近期的論文《Weight Agnostic Neural Networks》（https://arxiv.org/abs/1906.04358）中做出了自己的嘗試，得到了有趣的結果。AI 科技評論簡單介紹如下。
尋找連接權重不重要的神經網路
之前就有研究人員展示了，加權隨機初始化的 LSTM 和 CNN 網路具有意外地好的表現，在這篇論文中，兩位作者更進一步地提出要尋找 weight agnostic neural networks，WANN，加權不可知的神經網路，即具有強大的歸納偏倚、以至於只使用隨機加權，就能夠執行多種任務的神經網路。
為了能夠完成實驗，作者們提出了新的實驗思路：
網路中的每個連接，都使用同一個隨機參數作為加權 —— 最小化權重（也就是訓練過程）的影響，同樣也最大程度簡化了模型表現的採樣空間
在很大的範圍內取這個參數的值，多次評估網路的表現 —— 不再以最優的權重設置作為網路表現評價的唯一目標
根據算法資訊理論，作者們並不滿足於能夠找到滿足要求的網路，而是能最簡單地描述的路。比如，有兩個不同的網路能帶來類似的表現的話，他們會留下更簡單的那個 —— 網路大小，也就成為了搜索過程中的一個附加目標。結合連接計算成本，以及其它一些技巧，他們希望最終找到的網路要盡可能簡單、模組化以及可演化，並且更複雜的網路，必須能夠帶來更好的表現。
某個搜索過程的圖示：圖從左側為環境參數的輸入，右側為運動控制的輸出。早期的網路搜索結果，在各種加權取值下表現都不好；後來網路建立起一些輸入量之間的聯繫後，在某些範圍的加權取值下，可以達到較好的表現
具體搜索過程請參見論文原文。
實驗結果
作者們在多個連續控制任務中評估了搜索得到的網絡。
- CartPoleSwingUp，一個小車上用鉸鏈懸掛一根棍子，小車只能透過橫向移動，把棍子在上方直立起來並保持；這個過程裡，小車只能在有限的範圍內運動。這個任務無法通過一個簡單的線性控制器解決。
具體搜索過程請參見論文原文。
實驗結果
作者們在多個連續控制任務中評估了搜索得到的網絡。
- CartPoleSwingUp，一個小車上用鉸鏈懸掛一根棍子，小車只能透過橫向移動，把棍子在上方直立起來並保持；這個過程裡，小車只能在有限的範圍內運動。這個任務無法通過一個簡單的線性控制器解決。
-
- BipedalWalker，控制一個雙足機器人的兩個髖關節，和兩個膝關節，讓它在隨機地形上行走。
- CarRacing，根據上帝視角的畫面像素，輸入控制賽車在賽道上運動。
-
左圖：為 BipedalWalker 任務找到的網路；右圖：為 CarRacing 任務找到的網路
上圖表格展示的是 WANN 找到的網路在超過 100 次試驗中的表現（所以分數呈現為範圍）。縱向對比的是傳統的強化學習算法，橫向的四項子分數分別是：
- Random weights，每個連接加權分別從 (-2,2) 範圍隨機取值；
- Random shared weight，所有連接使用同一個加權，從 (-2,2) 範圍隨機取值；
- Tuned shared weight，所有連接使用同一個加權，從 (-2,2) 範圍內取值時的最好表現；
- Tuned weights，有加權優化過程，不同的加權允許有不同的變化（也就是傳統的訓練）
根據表格可以看到，傳統強化學習算法中的加權，必須經過訓練以後，才能得到好的表現，相比之下 WANN 尋找到的網路，只需要所有連接，都使用同一個隨機加權，就有機會得到好的表現。
所有連接使用同一個加權時，得到的最好表現是喜人的，晃悠幾次就可以讓小棍平衡，走路時可以有高效的步法，開賽車的時候，甚至還能從內側切彎。而進一步進行傳統意義上的訓練以後，網路的表現還能有進一步的改善。
另外，作者們也做了監督學習（MNIST 數位辨識）實驗，也找到了能夠比隨機權值 CNN 得到更好表現的網路。
結果解讀
搜索到的在 BipedalWalker 中表現最好的網路結構
由於 WANN 搜索到的網路相對簡單，作者們也嘗試解讀這些網路架構。首先，網路架構中，明顯地為任務編碼了強大的偏倚，在如此淺層的連接中，可以明顯看到網路對不同輸入信號的處理加工過程；但同時，找到的網路的表現，也並不是與加權的值完全無關，在某些隨機值下還是會出現不好的表現。
可以看作，WANN 搜索到的網路，對輸入輸出間的關係，進行了強大的編碼，雖然權值的大小相比之下變得不重要，但信號的連續性、符號一致性還是有影響的。觀察搜索過程中，網路如何一步步變得複雜的，也能得到類似的感受。
WANN 搜索到的網路的最佳表現，最終還是比不上 CNN 的最佳表現，這並不奇怪，畢竟 CNN 本身也是帶有很強的視覺偏倚的架構，而且經過了如此多年的持續優化改進。
在這項研究中，小編感覺到的是，解決指定任務所需的偏倚，總需要透過某種方式編碼到網路內。傳統的深度學習研究中，都是固定網路架構（基礎模組和連接方式），用連接加權的更新體現這些偏倚；在 WANN 中，架構和加權的位置調換，用隨機取值且不要求優化過程的共享權重，限制了偏倚在權重中的儲存，從而得以讓偏倚顯式地，體現為架構的更新。從另一個角度看：網路結構佔據絕對支配地位以後，連接加權可以不必關注，只需要考慮如何解釋結構，這就容易多了。這也是神經網路可解釋性的一大步。
作者們也在論文的討論章節中指出，這種思路在小樣本學習、線上學習、終生學習中，都可能能夠派上用場（持續地優化更新網路架構）。這不僅新奇，也是繼續探索神經網路潛力的一條新的道路。「氣」和「劍法」並重，也許未來我們有機會，能夠改進神經網路的更多弱點。
雷鋒網 AI 科技評論報導。
．雷射雷達 vs. 毫米波雷達，誰才是自動駕駛「頭號玩家」？
The future of automotive radar
0935-970-603 施正偉
來源：
目前，在汽車領域ADAS和自動駕駛，都是十分熱門的話題，新型汽車領域的競爭日趨激烈。世界知名車企、相關科技公司、互聯網企業們，都在積極介入這部分市場，因為其背後有著極為龐大的市場體量。
目前，圍繞ADAS和自動駕駛，相關的新型產業鏈尚未成熟，正是搶佔先機，實現彎道超車的絕佳時段。全球知名管理咨詢公司麥肯錫在研究報告中稱：到2030年，自動駕駛相關的新車銷售及出行服務，創收有望超過5000億美元，而對岸中國極有可能是全球最大的市場。
汽車智慧感知能力需進一步提升
隨著人工智慧技術、物聯網技術、新能源技術和傳感等技術的進一步發展，未來汽車的定義，將會在一定程度上被顛覆，更多延展功能，將會被開發出來。
自動駕駛技術的實現，將會讓駕駛員得到解放，汽車內部設計佈局也會更趨向社交化方向轉變，進而延伸出更多實用性意義。透過搭載更加智慧的中樞系統，汽車在感知能力和應變能力方面，將會大大提升，同時配合上高速網路連接，整個交通體系，也會變得更加智慧協同，更通暢舒適的交通，更安全的駕駛時代將會到來。
不論是ADAS，還是真正意義上的自動駕駛，都對汽車的外部感知能力，和靈活處理的反應能力，提出了更高的要求。雖然這些新的技術，能夠帶給我們更加便捷舒適的體驗，不過對安全性方面的考量，還是必不可少的。
自動駕駛汽車的實現，主要來源於強大計算分析能力，和精準的感知能力，資訊探測和感知這一部分能力，是計算分析能力的前提。因此，自動駕駛汽車對感知能力方面的需求，更為迫切。
就目前而言，一般採用攝影機、超音波、雷射紅外線等技術，來加強汽車的感知能力，不過就自動駕駛而言，這些技術當前的表現，還難以達到理想的程度。雷射雷達和毫米波雷達憑借著自身性能上的優勢，從這些選項中脫穎而出，在自動駕駛方面的表現備受期待。
雷射雷達：高精度掃描利器
雷達最早是作為戰爭武器登上歷史舞台的，世界上第一台實用雷達，就是二戰時期用於探測，英吉利海峽上空掠過的戰機，雷達默默潛伏著，日夜不停地向空中發射電磁波，一旦有飛機經過，馬上就能偵測到，隨即發出警報。
隨著科技的發展，雷達開始轉向民用領域，在氣象預報、資源探測、環境監測等領域，默默貢獻者一份力量。
雷射雷達雖然已經有幾十年的歷史，可在汽車領域裡，還是比較新穎的技術。因為雷射雷達具有連續高精度3D掃描的潛力，抗干擾能力很強，因而備受汽車製造商們的推崇。
雷射雷達主要由雷射探測、雷射測距兩部分功能組成，相當於自動駕駛的眼睛。除了發射器之外，雷射雷達系統，還需要一個高度靈敏的接收器，主要用於測量靜止物體和移動物體的距離，透過即時接收反饋，保持對外界的敏銳感知力。
傳統雷達無法辨識物體細節，而攝影機在暗光或逆光條件下，辨識效率明顯降低。雷射雷達3D精準的掃描探測能力，可以輕鬆突破這些障礙。
不過就目前來說，由於雷射雷達存在成本過高、體積過大的問題，使得其應用受到了很大限制。為了降低雷射雷達的使用成本，同時，提高產品的可靠性，使用固態雷射雷達，代替傳統的機械式雷射雷達，是當前的主流方式。
雖然許多人認為雷射雷達，是實現自動駕駛的基礎，不過質疑的聲音也不少，特斯拉CEO馬斯克就認為自動駕駛並非一定要採用雷射雷達，依靠攝影機和雷達，也可以完成自動駕駛系統所需的大部分工作。
毫米波雷達：親民價格是最大優勢
毫米波雷達是指，工作在毫米波波段探的探測雷達。通常毫米波是指30～300GHz這一頻域。毫米波導引頭具有體積小、質量輕和空間辨識率高的特點。目前，毫米波雷達在技術上，已經具備相當成熟度。
毫米波雷達技術多運用在軍事上，隨著自動駕駛的興起，這一技術開始顯露出商用化價值。與紅外線、雷射、電視等光學導引頭相比，毫米波導引頭穿透霧、煙、灰塵的能力強，具有全天候、全天時的優秀特性。
此外，毫米波導引頭的抗干擾能力，和反隱身能力也十分突出。毫米波雷達能分辨很小的目標，而且能同時辨識多個目標；具有成像能力，體積小、機動性好等突出特性。
此外，由於毫米波雷達在技術上的成熟度比較高，其價格普遍僅在千元級出頭，相比於動輒數萬到數十萬的雷射雷達，顯然毫米波雷達要親民的多。不過，在雨、霧和濕雪這類潮濕環境中，毫米波的探測距離會受到很大影響。與微波相比，毫米波的樹叢穿透能力也比較差。
總結：雖然，目前自動駕駛領域十分火熱，不過目前除去在路段上進行測試的汽車外，真正能夠實現可靠自動駕駛上路的汽車還沒有真正出現。
毫米波雷達穿透能力強，雷射雷達精度更高，但均存在不可忽視的問題。不論是採用雷射雷達，還是毫米波雷達，它們也只是自動駕駛中重要的部分，想要實現自動駕駛，仍有很長一段路要走。
 |
．智慧製造環境下的品質管理
What is Manufacturing Quality
for Industry 4.0?
0935-970-603 施正偉
來源：质量管理心得 作者：质量牛
隨著工業製造的越來越智慧化，很多新事物在傳統的工業製造當中出現的越來越多，比如大數據、人工智慧、機器人、工業雲平台等等。
作為身在傳統行業中的我們，是否能夠即時的調整自己的行為，來適應不斷變化的環境呢？
我們從汽車工業製造的發展說起，之所以提到汽車工業，因為可以將其視作工業發展的一個代表。雖然說我們可以從工業革命開始，但是畢竟涵蓋範圍太大，我們姑且縮小一些來看。
汽車工業不得不說是當今世界上規模最大的製造業集群，那麼汽車行業的發展，也間接代表了工業發展的進步。回顧一個世紀以來汽車行業的發展歷史，如果我們簡單的記住幾個時刻，那麼他們一定是：
1913年，福特汽車開始使用流水線，T型車引領了一個時代。
20世紀80年代開始，豐田汽車採用精益生產的方式，成功的超越一眾老牌廠商成為世界第一。
2003年，特斯拉汽車開創電動新能源車的新時代。並且帶領全球的汽車行業向新能源方向發展。
這些時刻，即便是敘述起來，也帶著怦然心動的感覺。作為品質人，我們也可以從中看到品質管理的發展歷史。
流水線時代的品質管理
流水線的發展，帶來了生產效率的大規模提高。在流水線上的品質控制，關鍵在於工藝步驟的詳細分解，並且形成完善的 SOP，即標準化作業流程 。為了提高效率並且降低廢品率，各種文件的規定務必要詳細無比。
因為唯有這樣，才能成功的將生產線上的工人，完全當成是機器人使用。標準化的動作規範，詳細的時間要求，程序化的思維，整合了這些，才能保證流水線的高速有效運轉。
因為唯有這樣，才能成功的將生產線上的工人，完全當成是機器人使用。標準化的動作規範，詳細的時間要求，程序化的思維，整合了這些，才能保證流水線的高速有效運轉。
老福特說過一句話：「我要的是一雙手，為什麼卻來了一個人。」
為了達成這個目的，當時的品質人員的工作重心，就是將標準化工作進行到底。不僅是 SOP，包括工廠內的任何流程，能夠文件化的就寫成文件固化下來。
如果大家學習過 ISO9000 品質管理體系，1987 版和 1994 版的要求就會明白這個道理。舉例來說，在 1994 版的品質體系當中，有 14 項需要「形成文件的程序」要求。
也就是說，體系嚴格的規定了企業，在哪些方面需要形成書面的文件規定。這也是在當時的生產水準條件下，品質管理的方法所形成的固有思想。
也就是說，體系嚴格的規定了企業，在哪些方面需要形成書面的文件規定。這也是在當時的生產水準條件下，品質管理的方法所形成的固有思想。
雖然 1913 年福特的流水線就建立成功了，但是直到 1994 年的國際品質體系標準才形成規範。也就是說流水線發展了 80 年，才讓全世界對這種生產方式，真正認可並且推廣開來。
隨後的發展過程開始加快了，正如人類發展的腳步，開始以指數級的速度增加。
豐田生產方式的精益品質管理
1950年，日本的豐田英二考察了美國底特律的福特公司的轎車廠。當時這個廠每個月能生產 9000 輛轎車，比日本豐田公司一年的產量還要多。但豐田在他的考察報告中卻寫道：「那裡的生產體制，還有改進的可能」。
正是這個改進的可能 ，以及後續豐田幾代汽車人的不懈努力，80 年代開始，豐田精益生產方式開始成形。精益生產教會我們追求零庫存，快速反應，消除浪費並且以人為本。為了達成這些目標，我們開始接觸到許多豐田汽車的新詞彙 -- Kaizen、Kanban、Muda、 JIT、 One Piece Flow, ……
當豐田生產方式開始發揮出它的巨大力量時候，豐田汽車公司就開始了它的飛速發展。1957 年，豐田剛把汽車賣到美國市場，1984 年，豐田汽車已經開始在美國建造工廠，到 2008 年，已經超越當時的全球第一汽車公司通用汽車，而成為了新的世界第一。
這也引起了一股全球學習豐田生產方式 (Toyata Production System) 的熱潮。作為品質管理人員，我們從中學到了什麼呢？
首先，標準化的作用是不言而喻的，但標準化並不是一種限制和束縛 ，而是將企業中最優秀的做法固定下來，使得不同的人來做都可以做得最好，發揮最大成效和效率。而且，標準化也不是僵化、一成不變的，標準需要不斷地創新和改進。
然後，關注流程，消除流程中的不增值行為，創建無間斷流程以快速應變。 改造流程、提高品質，才能夠達到降低庫存的目的。如何提高品質的方法則，是克勞士比的「一次就把事情做對」(Do It Right The First Time)。
接下來，在豐田公司，員工實行自主管理，在組織的職責範圍內自行其是，不必擔心因工作上的失誤而受到懲罰。 出錯一定有其內在的原因，只要找到原因施以對策，下次就不會出現了。所以說，精益的企業雇傭的是"一整個人"，不精益的企業只雇傭了員工的"一雙手"。並且在精益企業中，靈活的團隊工作，已經變成了一種最常見的組織形式，有時候同一個人同時分屬於不同的團隊，負責完成不同的任務。
從以上的描述中我們已經看出，豐田生產方式對於流水線方式的改善與進步。隨後全球掀起了一股，學習豐田生產方式的熱潮，這也同時帶來了品質管理思想的進步。
馬上，國際標準組織也做出了反應，品質標準也要跟上時代的步伐，2000 年 ISO9000 再次改版。這次的變化雖然大，但是仍然處於改良階段。為什麼這麼說？仍然舉上一個例子，「形成文件的程序」要求，從 14 個改為了 6 個，這給了企業更大的自由度，來決定自己的標準應該怎麼寫，需要寫什麼，而不是教條主義的給予一個硬性規定。其他方面的要求也盡可能向著釋放束縛，發展和發揮人員自身的能動性，符合企業的各種狀況的方向轉變。
這樣的改變，也使得 ISO9000 成為了各個行業，都能夠應用的品質國際標準，從此，包括銀行、政府、服務業等等，都開始紛紛認證 ISO9001 標準。上次到新華書店買書，一進門就看到「品質方針」四個大字；買了一箱水果，包裝箱上也印著，本企業已經通過 ISO9001 國際品質體系認證的字樣。
自動化和智慧製造環境下的品質管理
進入到了 21 世紀，在 2013 年 4 月的漢諾威工業博覽會上，德國政府正式提出「工業 4.0」策略，這是德國試圖以高科技，帶動工業生產發展的國家策略，而不是國際標準。
隨後許多國家都發表了，類似的綱領性文件，只不過各有不同的提法，如美國的「先進製造業國家策略計劃」、日本的「科技工業聯盟」、英國的「工業2050策略」和中國的「中國製造2025」等等。
隨後許多國家都發表了，類似的綱領性文件，只不過各有不同的提法，如美國的「先進製造業國家策略計劃」、日本的「科技工業聯盟」、英國的「工業2050策略」和中國的「中國製造2025」等等。
工業4.0的主要特徵，就是綜合利用第一次和第二次工業革命創造的「實體系統」，和第三次工業革命帶來的日益完備的「資訊系統」，透過兩者的融合，實現智慧化生產。
智慧工廠 ，重點研究智慧化生產系統及過程，以及網路化分布式生產設施的實現；
智慧生產 ，主要涉及整個企業的生產物流管理、人機互動，以及 3D 技術在工業生產過程中的應用等；
智慧物流 ，主要透過互聯網、物聯網、物流網，整合物流資源，充分發揮現有物流資源供應方的效率，而需求方，則能夠快速獲得服務匹配，得到物流支持。
讓我們回到現實來看看智慧製造的應用情況。
許多大公司已經上線了 ERP 系統來進行企業管理，比如 SAP 或者 Oracle。但是 ERP 系統中的品質管理模組，並不是很好用，筆者有幸兩個軟體都接觸過，感覺很多還是需要手工操作來進行調整。現有的品質管理方法，應該更多的和行動網路進行結合。運用一切可以運用的新技術、新方法進行智慧製造品質管理。
比如無線射頻辨識技術 RFID、二維碼、條碼，用於產品的標識與追溯。
比如在線數據收集表，行動文檔，用於質量記錄的收集與整理。
比如行動雲端平台，進行即時大數據處理，將滯後的品質數據，變成直觀可見的趨勢。
智慧已來，品質並不是無憂無慮。
舉例來說，雖然公司上了 SAP 或者 Oracle 系統，對於品質方面的檢查，並沒有即時有效的回饋到生產過程中。並且由於 ERP 系統和生產製造，存在一定程度的脫節，這也是為什麼要發展 MES 生產執行系統的原因。而今，如果 ERP 和 MES 都已經執行到位，品質控制該如何做？怎麼做？
將品質控制內建到 MES 系統中。 MES 關注更多的，在於將 ERP 系統中的生產計劃，變成生產可執行的動作。但是品質控制的動作，在 MES 系統中仍然非常困難。原因在於
品質檢查有一定的滯後性。品質檢查需要在流水線上取樣，送到實驗室使用專門的儀器檢測，然後才能將結果輸入系統中。而生產線此時是沒有停下來等待檢測結果的。
這樣就造成了一旦產品的檢測數據出了問題，就需要對於已經生產的產品進行追溯。而這樣的追溯行為，由於受到系統不能夠靈活操作的影響，往往還是手工佈置追溯任務，然後再手工調整系統。如此以來，帶來的系統混亂更是無法解釋的了。
這樣就造成了一旦產品的檢測數據出了問題，就需要對於已經生產的產品進行追溯。而這樣的追溯行為，由於受到系統不能夠靈活操作的影響，往往還是手工佈置追溯任務，然後再手工調整系統。如此以來，帶來的系統混亂更是無法解釋的了。
品質檢查的判斷標準不明確。有些檢查項目為主觀項目，比如外觀等，無法有效的輸入系統，或者說是制訂相應的標準。這樣一來，導致系統或者是檢測設備不能做到有效的檢測，也就難以形成自動化的生產。
針對這些情況，需要採用新的方法才能解決。
對於品質異常，系統需要智慧判斷需要追溯的範圍。 可以在生產線上佈置在線上的檢測設備，並且在系統中設置異常追溯的規則。比如在線檢測設備的檢測，間隔時間是 2 小時，那麼出現異常的產品，就應該追溯到上一個檢測合格的產品為止，也就是兩個小時內的產品。
同時，系統採取物理隔離措施，將 2 小時內的產品隔離到另外一個區域。還有，智慧系統需要馬上停機運行故障診斷程序，如果是系統軟體能夠解決的問題，則系統重置軟體，迅速解決並重新開機運行。
如果是系統不能自行解決的硬體問題，則系統呼叫設備維護機器人，對常見問題比如更換易損配件等，予以解決。問題若大到設備維護機器人也解決不了，那會即時發出警報信號，觸發安燈系統，然後由維修工程師到現場解決。
如果是系統不能自行解決的硬體問題，則系統呼叫設備維護機器人，對常見問題比如更換易損配件等，予以解決。問題若大到設備維護機器人也解決不了，那會即時發出警報信號，觸發安燈系統，然後由維修工程師到現場解決。
對於不容易檢查的檢測項目，比如外觀項目，可以將標準圖片輸入系統，讓智慧圖像系統進行判斷。智慧圖像系統需要進行不斷學習與優化，能夠處理複雜的主觀檢測項目。
這些是檢測技術需要解決的辦法，其實還有一個更大的問題。
機器人能夠做檢測分析了，還需要品質人員嗎？
回答是當然需要！
系統的功能，包括人工智慧的算法，都是人類給予的，也可以說是人類的執行力的體現。只不過一些低端的工作，比如現場的檢驗人員，可能是不需要了。但品質規則的設置，問題的處理方法，突發事件的處理等等，都需要專業的品質人員先進行設計，然後在系統和人工智慧中實現。
這就對於品質管理人員的要求更加嚴格了，因為我們不能像以前一樣，從學校畢業進入企業，花費大量的時間，在基層摸爬滾打來熟悉和掌握專業知識。一但智慧化的系統已經成熟應用，剛進入職場的新人，就要迅速開始進入控制，和管理的核心角色，指揮系統並且改良系統了。
可是回想一下過去，每次革命性的進步，都會帶來人類分工的變化。車輪發明瞭以後，很多人力搬運的人沒工作了； 蒸汽機發明出來，很多事情都由機器替代；電力系統發展後，替代人的工作越來越多，更不要說自動化系統來了後的情況了。
人類能夠良好的適應環境的變化，智慧時代的到來，只是將人類的分工變了個模樣。我們要做的是持續的學習和發展自己的能力，做到在形勢轉變下的自我轉變，才能夠不被時代淘汰。
轉念想想，
為什麼各個時代都需要品質管理？
一、任何時代都會有不同的需求，人的需求帶來了工業的發展和進步。 福特、豐田和特斯拉汽車，都在滿足不同時代客戶的不同需求。而品質，正是在滿足客戶需求的路上，產生的一些變差。因此，品質管理人員就是要去採用成本最低的方式，來消除這些變差帶來的負面影響，最終實現客戶的需求。
二、工業的進步總是不能夠完全滿足客戶的要求。 人類的需求雖然看起來很簡單，但是透過產品來進行實現，卻還有很長的一段路要走。蘋果手機為什麼能異軍突起？因為喬幫主提前定義了未來的需求。我們要用第一性原理思維，什麼是第一性原理思維？
第一性原理思維是一種「追本溯源」的思考方式，萬事都要尋找到根本性問題，也可以叫本質思考法。
品質方面，第一性原理思維，是顧客只購買更好的產品和服務。
以此為中心來考慮問題，才能撥雲見日，看到事情的本來面目。
比如說豐田精益生產方式，對於傳統流水線的思考與改進，正體現了這一點。我們平常所做的工作，公司需要達到的目標，都是在為了不斷的滿足，日益成長的顧客要求而努力。
．工業 4.0：美國和歐盟可能失敗的地方
Disruptive technologies in manufacturing – experts discuss Industry 4.0
0935-970-603 施正偉
來源：物联之家网 作者：Andrea Carcano
在世界各地，公司越來越多地將其製造系統自動化，包括向「智慧工廠」遷移。智慧工廠採用工業4.0實踐，例如使用網路實體系統來監控生產流程，以及使用複雜分析系統來優化效率。在過去五年中，工業4.0，通常被稱為第四次工業革命，已經轉變為一種全球現象，對許多工業、商業和全球經濟產生了重要影響。
根據普華永道2018年第四期，年度工業4.0全球數位營運研究報告顯示，亞太地區在數位化方面，處於領先地位，與其他全球地區相比，亞太地區數位化程度最高，並且正在成為最快的數位營運採用者。
該地區近20%的公司採用尖端技術，來數位化製造和自動化系統，其次是美洲和歐洲、中東和非洲(EMEA)地區分別有11%和5%。
該地區近20%的公司採用尖端技術，來數位化製造和自動化系統，其次是美洲和歐洲、中東和非洲(EMEA)地區分別有11%和5%。
這似乎令人驚訝，因為工業4.0和物聯網運動，帶來的進步，很大程度上是由EMEA(歐洲、中東和非洲)地區和美國推動的。這引發了一個顯而易見的問題：「為什麼產生進步技術地區，不是採用這些技術最多的地區？」
答案很清楚。工業基礎設施，早就存在於歐洲和北美較為成熟的經濟體中，這些位網路早在工業4.0現象出現之前就已建成，並且隨著時間推移，已經變得非同質化和陳舊。公司不能簡單地拆除和替換製造、控制和安全基礎設施，以採用最新的自動化和物聯網技術，他們也無法使用工業4.0技術，輕鬆實現這些系統的現代化。
另一方面，根據該報告，亞太地區公司推出數位產品和服務的速度比全球其他地區公司快得多，這是該地區年輕、精通技術的公司管理者，熱衷於採用數位技術的結果，也是薪酬和生產成本飆升，迫使亞洲公司數位化關鍵營運流程，以保持競爭力的結果。
雖然北美和歐洲地區公司都感受到了加速發展的壓力，但他們對工業4.0採取了較慢的做法，部分原因是他們強烈意識到，工業4.0對有效網路安全要求的影響。
在實施工業4.0技術的競賽中，公司明白他們不能忽視網路安全。網路安全不是實施後，很長時間才添加的技術，而是一個應該在早期考慮的設計原則，同時還要貫穿於系統生產的所有方面。無論是從一開始就將其納入系統，還是作為工業4.0演變的一部分，網路安全都應被視為一個持續過程，並可以在面對新威脅時進行調整。
對於那些將工業4.0技術整合，到現有傳統系統中，並面臨自身網路安全挑戰的公司來說，決定從哪裡開始，往往是一場艱苦鬥爭。公司可以採取一系列措施，來保護當今錯綜複雜的工業系統，並實現更高水準的可見性和網路彈性：
▲評估貴公司在網路安全成熟度和深度防禦措施方面的狀況。然後制訂一個計劃，主動解決不足之處。
▲不要忽視基本要素，如清點所有工業網路資產，即時監控系統中的威脅和風險。
▲培育團隊瞭解工業網路，和網路安全最佳實踐。考慮閱讀廣泛使用的參考文件，如工業互聯網聯盟提供的參考文件。
▲如果您的工業4.0實施，包括共享雲基礎架構，請確保網路安全協議中，包括數據完整性和數據機密性的網路安全措施。
▲記住網路安全是一個持續過程，建立有助於公司實現持續改進的團隊和流程。
▲最後，檢查您的事故應對計劃，並進行實踐演練，以便公司為重大安全攻擊，或事故發生做好充分準備。
北美和歐洲地區的工業組織，將不可避免地繼續推進實施工業4.0和物聯網技術，這是自動化新時代的曙光，這些地區正在努力保持領先地位。獲勝者將是那些將安全，作為技術規劃關鍵組成部分的公司。274181024
 |
| 康橋科技 —— 白光攝影機專業廠商！ |