郭朝晖：正确理解数字化之从场景入手认识技术

“数字化转型领航者计划”是由点亮智库·中信联联合一批政策、理论、研究水平一流，且具有行业领先的转型实践经验的产学研专家，共同打造的赋能型知识服务链。从本周开始将陆续以专家专栏、系列课程、公益直播等形式推出，诣在帮助转型相关企业骨干解惑、提升业务能力。

郭朝晖老师是点亮百问技术应用域副主任委员、数字化转型通识领域权威专家，擅长将IT、DT、企业管理和经济发展贯穿起来讲透转型底层逻辑。本期将继续分享“郭朝晖谈转型”专栏内容，更多观点，欢迎大家进入社区交流讨论。

高水平的技术往往有三个特点：原理简单、技术复杂、创造价值困难。与之对应的有三个认识上的误区：技术原理神秘化、轻视技术复杂性、重技术轻需求。

理解现代工业就要理解复杂性，理解技术复杂性要从应用场景入手：应用场景带来对技术的需求和价值，苛刻的需求也带来了技术的复杂性。工业人解决问题的方法，一般是复杂问题简单化。这种做法的目的，是避免方法本身带来的复杂。我喜欢这个逻辑，因为它具有普适性。

这三点同样适合工业APP开发、工业大数据建模等。相关的技术和算法原理往往并不困难、甚至也不新颖，常见的做法就是把专家知识数字化。过度强调算法，就会走歪了。但把技术做好却很不容易。而技术困难和复杂的原因，往往在于应用场景的多样和多变。

人们常说，做这些工作要深入理解工业对象。那么，什么叫深入呢？深入，首先要理解工业对象的复杂和场景的多变。

理解工业对象（如设备）不是理解对象（在正常时候）的工作原理，而是理解工业对象在非常规、特殊景下的特点。比如，生产不同产品时是怎样、产品切换时是怎样、出现故障时是怎样、遭遇异常时是怎样、设备维护时是怎样，以及各种人为干扰等。对IT技术人员来说，最难的恰恰就是不知道会遇到哪些意外——知道自己知道什么，却不知道自己不知道什么。

做上述工作，还需要深入理解数据。数据是对象的“映像”，计算机通过数据理解工业对象，但数据并不是工业对象本身，两者可能会出现偏差。建模或APP开发，同样要理解数据中的“意外”。

理解数据不是理解常规情况下数据的含义，而是要理解数据的“短板”：有哪些场景的变化，无法从数据中看到；数据的误差特点；数据采集和传递可能会出现的问题；数据时空对应中的问题等等。APP要处理这些问题，技术自然就变复杂了。把每个简单场景的问题都处理好，技术就不简单了。

很多同志认为，这些工作的难点在模型的精度，而提高模型精度需要算法，是函数拟合、逼近（学习）的问题。但精度不高的实际原因，或者是数据本身的问题、或者在某些场景下不合适。这些问题考虑不清楚，即便是模型的精度高了也往往是过拟合。而且，如果不能解决这些问题，模型精度会不断下降、无法长期使用。

让技术创造价值，要理解需求。理解需求，困难的往往是理解异常或不理想的场景。

一般来说，如果生产一直处于理想状态，往往也就不需要APP或模型了。许多APP的价值，在于减少不理想状态下的损失。这些不理想的状态，可能是人为操作不当引起的，也可能是工序之间的协同出现了问题。用APP解决了这些问题，才能看到价值。认识“不理想的场景”比认识“理想场景”复杂多了。

还是那句话：不理解复杂性，就不理解现代工业。