特征工业4.0与智能制造的意见
数据是什么?

数据是会说谎，还是总是会揭示真相?这是一个有趣的问题，在世界历史上一个非常有趣的时期。

本专栏的读者可能会回忆起我经常分享的观点，即“语境很重要”，叙述是收集和考虑经验数据的重要因素。这一点从未像现在这样重要，因为收集、分析和分享了关于新冠病毒19的所有数据。

数据本身可能是经验性的和无偏见的，但对其进行的收集和分析却不是。

为此，我们必须理解确认偏差——一种我们在某种程度上都存在的人类状况。

人们倾向于过滤掉他们不同意的信息，并坚持他们所做的，不断强化他们已经相信的东西。一旦一种观点或偏见被确立，就很难让外界的影响改变它。

过滤过程通常应用于数据分析，方法是只选择数据的特定子集，并调整分析以得出所需的结论。断章取义，并牢记特定意图，可以利用数据的隐含可信度和“真实性”得出预期结论。

关于意图，人们分析数据时带有固有的确认偏差。即使是“科学方法”也始于一个假设——人们假设他们怀疑的东西是正确的，然后设计一系列测试来证明或反驳这个假设。总的来说，科学家在他们的方法上是非常严格的，并且对任何一种可能性都保持开放的态度，真正受到新发现的纯粹意图的驱使。

一旦一种观点或偏见形成，外界的影响就很难改变它。

对于任何试图在任何话题上影响群众意见的人来说，情况并非如此——社会、政治，或者现在最显著的是新冠病毒-19。每天都有源源不断的头条新闻披露新的“事实”和基于数据的隐含真相，但数据很少在完整准确的背景下呈现——因为它不再需要；新闻头条和因素已经形成了根深蒂固的确认偏见。

例如，安大略省9月中旬的消息是“病例数量（约）增加了50%”，因此正在采取新的更严格的措施。没有人会争论，也没有人会问关于数据的明显问题，比如“检测的数量是否也增加了？”，或者“现在检测的针对性是否比之前的时期好得多，现在你知道在哪里最有可能发现新冠病毒了吗？”。

仅仅说病例数量在增加，而不考虑所进行的测试数量的增加，或者现在如何更准确地确定目标测试，这不是一个科学或基于数据的结论。没有上下文或明确的中立意图，它只是使用选定的数据集确认现有的偏见。

有些人可能认为，要进行真正的无偏见的实证分析，需要消除人类的影响，也许可以通过使用人工智能（AI）和机器学习（ML）技术来实现。然而，这里的问题是，这些技术已经被广泛应用于社会，原因恰恰相反——通过先学习，然后找到影响方式来影响我们的行为。

社交媒体为人工智能系统提供信息，这些系统可以了解你的行为、观点和预测你的倾向，然后向你发送一系列稳定的小信息，旨在影响你的下一次购买决策或下一次投票。在互联网和社交媒体出现之前，这些事情通过报纸、电视新闻和广播电台广泛发生。

我们对订阅的报纸、收看或收听的新闻频道的选择，助长了我们的确认偏见。保护社会的法规和监督已经到位。

社交媒体作为我们生活中的I/O设备，人工智能和ML技术的力量作为处理引擎，经验数据的收集、分析和报告可以以更强大的力量和影响力，以及科学中立的观念进行设计——更少的监督、问责或对社会的保护。

数据在很多方面都很有用，数据驱动的决策也很有价值。但背景和意图是关键。

在制造企业中，采购团队使用数据作为经验证据，证明他们降低了模具成本。然而，工程部使用数据表明，新工具的失效间隔时间显著降低。质量部门使用数据证明废品率已经上升，保修成本将在较长时间内上升。

他们都使用数据，但大多数情况下，采购部门获胜是因为其数据和指标最容易理解，导致了需要克服的强烈确认偏见。

短期影响比长期成本更重。购买之所以获得批准，是因为他们实现了近期目标，而影响只会在明年某个时候或四年后的财务报表中间接显现。

数据在很多方面都很有用，数据驱动的决策也很有价值。但背景和意图是关键。

其他的声音要想影响公司最终做出正确的决定，需要经历一个漫长而艰难的过程，给公司造成的损失要比他们通过短期决策所节省的成本高得多。

COVID也是如此。无论是左翼还是右翼，政客们的支持率都达到了有史以来的最高水平，而且6点新闻已经很久没有这么多每天固定收看的观众了。对于持反对意见的人来说，这是一场艰苦的战斗。

数据不会说谎，但这并不意味着数据总是在说真话。为此，我们必须愿意深入挖掘，理解背景，并在必要时检查意图。

技术可以为我们提供越来越多的数据，越来越强大的分析工具，但没有捷径或选择退出。真正理解数据告诉我们什么仍然取决于我们自己。

_____

保罗·霍根多恩（Paul Hogendorn）与人共同创立了FreePoint Technologies，目的是让制造商受益于信息技术，从而为其最关键的资产——员工——提供信息、授权和激励。

这篇文章的精简版发表在2020年10月属于生产自动化。