AI制造之美

       我们要深耕制造AI，真的要深思一个问题，“制造AI的理论基础”是什么？这个问题值得我们深思，最近看了一篇博文是关于：把一个好公司在AI转型过程中变成了废柴，结合一些AI实践经验，写一点分享心德。

       还是回到“制造AI的理论基础”这个问题，我认为制造AI并不是否定过去数学科学分析，而是新技术+现有数学理论模型的一个再升华，一些情况下完全可以用以前的分析模型上+ AI算法能力把业务分析变得更精准，更高效，有一些难以用数学建模解决的问题，可以用分析因子AI建模的方式解决（比如生产工艺控制点特别复杂，影响的因素特别多，工艺专家也拿不准时，这种情况下可以通过AI非数据建模进行分析，结果往往也比较理想），数学科学分析是制造AI理论基础，AI是制造AI的升华，这是第一点认识。

       数学科学分析的一般原理是通过现象，建立一些数学泛化可推导公式，再利用这些泛化公式进行新数据预测，其实最早的天气预报就是这种方式感觉（没有经过考证），如简单的数学公式函数：线性函数、正弦、余弦等等，也就是说数学科学分析背后都有相应的公式予以支撑，并且参与计算的计算元数量有限，一般也不进行数据缩放，在一些应用场景由于很难构建出合适的数学公式模型，这种分析手段是有限的，但在一些业务领域是完全可用的，以前的金融风险分析模型就是这种模式。

      神经网络好处在于“暴力美学”，背后支撑他的理论显得并不那么重要，一切以数据和算法训练为核心，最后形成预测模型，这个模型产生的结果可能并不是一个或几个数学公式可以表达的，所以通过AI模型进行分析使得分析建模的过程相对要简单了，只要选择一些相关因子，然后进行特性提纯（甚至有些情况都不需要，工艺人员特别清楚），再把数据分为：训练结果集，验证结果集，测试结果集进行训练，最后准确率达到一定指标就可以正式预测，这个过程其实没有真正做过数学建模分析，但在很多实际场景中，直接用进行AI暴力分析，最后出来的结果可能与真实场景差距巨大，AI不是万能的，明明可以用简单的数学分析可以解决的（AI算法也可以做基础数学分析），非要用深度学习，效果肯定不行，另外做AI训练可以很多的经验积累也很难出现好的效果（体现在高参调试），也就是说如果现在已经有比较成熟的分析理论在实践中已经使用，那通过AI算法实现这些方法给现有业务赋能即可，真的不需要推翻过去重来一遍，一定要做技术加法不要轻易推翻过去的经验。