前言

簡單回顧一下工業中的實際的機器學習應用。這里的工業指的是第二產業，即生產制造。有時候工業界，是為了和學術界進行區分，那時的工業界更廣泛一些，甚至主要指第三產業服務業了，如我們熟悉的消費互聯網。

?“中國制造2025”等關乎工業互聯網的政策很多，但是在第二產業里搞機器學習根本不賺錢，下次如果換工作，絕對不來Lynk這種，一定要爭取去錢多的消費者互聯網了。不過，工業互聯網其實也很有樂趣，而且也很適合轉行的人進行賽道切入，尤其是機械、化工等具備專業知識的人。說起來，年齡大了哪有什么情懷，誰不是找不到工作才先混跡工業的呢。

步驟和流程

如果面對一個新的任務，那如何開始整個流程呢？工業中的實際的機器學習應用，首先掌握整個流程和big picture是很重要的。以下更多是我個人工作中總結的經驗，可能還有很多不足。

• 梳理整體脈絡，掌握全局，建立知識體系框架

• 復雜任務，分解為小任務，確定每個小任務的目標和評價方式

• 搞到數據，了解數據的來源、屬性，對數據探索性分析

• 驗證、特征、訓練、預測完整的快速baseline

• 迭代優化，從數據、目標、特征、模型的角度更一步優化

• 上線部署，要注重工程性和整體的架構 模型性能監測，繼續優化的同時要對性能下降快速定位和修復

有些容易忽視的點，例如第一步。面對一個新任務首先應該試圖建立整體的脈絡。對工作來說，可以保證方向的正確，保證遇到問題可以站在前人的肩膀上進行解決；而對個人來說，也是提高個人能力、學習新知識的好機會，甚至去別的地方面試時都更能侃侃而談裝大佬。隨著任務進行，這個脈絡也在逐步的完善清晰中。

第二步，在開始任務之前，要清楚這個任務在更大情景的定位，要清楚這個任務的評價方式。所以NG才在他的“machine learning yearning”強調一定要設定單個數值的評價方式，這樣才好讓整個團隊朝著正確的方向前進。

第三步和第五步中，要注意從實際情況進行考慮，畢竟真實場景其實不像比賽等封閉場景?？梢栽O法搞到更多數據，可以設法搞到自己想搞的特征，也可能數據的來源里也有信息。比如我對BMW前工作印象依舊很深的一個案例，在研究汽車保修數據趨勢的時候，發現了趨勢并不是直觀反應質量變好或變差的，而是和每個月有幾個星期五強相關。繼而通過調查發現，原來經銷商雖然可以每天都上傳數據，但幾乎所有經銷商都是在周五集中上傳數據，導致如果這個月有5個周五的話，自然就比4個周五的多25%左右，而不是這個月的質量差、保修多。這種初看奇怪的現象，就可以通過數據的來源方式得到合理的解讀了。當時如果看不到這一點，就開始做預測模型就失去預測的意義了。

第六步和第七步中，我自己也不會，也沒啥工程能力，是非計算機的弱勢吧。提高一些計算機基礎是很有必要的。而定位線上問題一方面要積累經驗，另一方面也可以通過良好的系統設計幫助我們，例如監控輸入特征的數據范圍、數據屬性等。

后續篇章會結合具體案例介紹了。

聯系方式

公眾號YueTan

總結

以上是生活随笔為你收集整理的制造工业中的机器学习应用：I概览的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。