質量4.0：數字化轉型中的質量變革

編者按

數字化轉型正引領我們走向互聯化、智能化和自動化，在新的環境中人類和機器協作，并利用數據實現共享目標。這是工業史上的第四次革命，它需要我們建立全新的質量觀。本文對美國詹姆士麥迪遜大學綜合科學與技術系副教授妮可?拉齊維爾近期發表的“質量4.0”系列文章進行了匯編，梳理了質量4.0的演化過程、質量專業工作者的作用、質量 4.0的技能關聯等。妮可?拉齊維爾長期從事數據科學、機器學習、質量管理、物聯網、網絡安全管理與分析等跨學科相關研究。

何為質量4.0

“質量4.0”一詞來自于“工業4.0”。“工業4.0”即“第四次工業革命”，最初于2011年在德國漢諾威博覽會上被提出,主要強調了制造系統中日益增長的智能性和互聯性。

質量4.0是在第四次工業革命的技術發展過程中為追求卓越績效而提煉出的詞，可以用一個公式表示：

質量4.0 = 績效創新（聯結性 +智能化 + 自動化）

質量4.0演化

我們現今熟悉的質量專業始于第二次工業革命中期，其基礎是由法國的亨利?法約爾以及美國的弗雷德里克?溫斯洛?泰勒創建的科學管理方法。當時新興的大規模工廠需要新的方法來確保裝配線的順利運行，生產出符合標準規格的工件。質量方法的產生，使得工人可以知道如何參與生產過程，同時也能有效地控制成本。

隨著工業生產的成熟，這些方法逐漸擴展為圍繞生產標準規格而開展的過程設計與控制。在20世紀80年代和90年代，個人電腦的使用使質量方法變得容易應用，從而得到大范圍普及。同時，許多組織圍繞文化價值重新審視質量工作，并積極參與質量活動，TQM、精益管理和六西格瑪管理逐漸流行起來。

由于互聯、智能和自動化系統越來越被廣泛采用，質量工具和方法的再次復興指日可待。質量4.0的演化過程可以總結成四個階段，而我們現今處在“質量即探索”階段。

?質量即檢驗：在早期，質量保證代表檢查出生產中的劣質產品。休哈特的統計過程控制方法（SPC）可以幫助操作員確定質量差異是由隨機原因還是特殊原因引起的。

?質量即設計：其后，在設計的工藝過程中出現了更全面的設計質量的方法，目標是在質量問題發生之前防止這些問題的發生。這一改變的靈感來自愛德華茲?戴明關于停止對檢驗依賴的建議，以及朱蘭的“質量設計”模型。

?質量即賦權：到九十年代，采用全面質量管理（TQM）和六西格瑪的組織提倡采用范圍更廣的質量方法。強調質量是每個人的責任，充分授權有助于為持續改進質量作出貢獻。

?質量即探索：由于新技術的出現，我們處于一個新的前沿趨勢中。在一個適應性強、智能化的環境中，質量取決于探索新發現，例如我們發現和匯總新數據源的速度有多快？我們如何有效地發現根本原因？我們如何敏捷地發現有關我們自己、產品以及組織的新見解？

使能技術生態系統：增值

數字化轉型正引領我們走向互聯化、智能化與自動化，它不僅改變了我們對質量的看法，同時也需要我們建立新的質量觀來適應它。

自動化不是一個突變式的產物，而是迭代式進步的過程。在這一過程中，機器設備從被動地接受人的操作，逐漸變得能夠自我判斷。用戶可以自行創建計算機所需執行的程序，比如通過計算機編程，讓計算機代替人作出批準或調整的決定，或者讓計算機直接執行其作出的決定。

同樣，機器智能也是如此：通過一個算法，計算機或者其他設備可以提供行動方案、在批準或調整后采取行動，或者自行采取行動。這樣，機器就被賦予了做出決定的權力和能力。從這種角度來看，工業4.0是一系列使能技術的生態集合。所以，當我們在流程中引入不同程度的智能化和自動化時，我們必須決定想要創造什么樣的價值。

質量4.0的關鍵就是通過實施人工智能、機器學習、神經網絡和區塊鏈等新的工業技術，來提高人員、項目、產品和整個組織的績效。

要做到這一點，我們要了解質量4.0主要會用到的技能和技術包括哪些。同時，還必須了解它們是如何相互關聯的。這些技能技術之間的關系如圖1所示。

人工智能包含了大多數我們目前掌握的工具。在許多情況下，這些工具顯得非常普通，以至于不會被視為人工智能，例如光學字符識別。機器學習算法構成了人工智能領域的一部分。神經網絡是機器學習算法的一種，深度學習是一種特殊復雜的神經網絡，它將層次與特殊功能結合起來。人工智能和機器學習正日趨流行，不僅因為相關的軟件更容易被獲取和應用，而且使人工智能和機器學習變得強大的大數據也變得更容易操作。區塊鏈，作為一種新出現的技術，有潛力提高數據質量和處理質量。統計與數據科學則為所有問題的解決提供了堅實的基礎。

圖1 質量4.0工具的生態系統

質量專業工作者：引領變革

人工智能和機器學習的引入，意味著數據驅動的決策可以變得更加有“自我意識”。有了更好的信息，我們將能夠更好地適應不斷變化的環境和客戶或利益相關者的需求。

質量專業工作者能很好地領導數字化轉型，因為他們在以下方面擁有深厚的技能：

?系統思維的能力；

?數據驅動的決策力；

?組織學習的領導力；

?能夠建立持續改進的過程；

?了解決策是如何影響人們的生活、關系、社區、福祉、健康和社會等。

最后一項技能尤其重要。許多機器學習算法必須要經過培訓，而且即使經過培訓，也可能受到個人和認知偏見的影響。質量專業工作者可以預估積極和消極的影響，從而幫助組織防范消極的后果，同時抓住有利于每個人的機會。

質量專業工作者在面對結構化問題解決、數據驅動的決策和利用文化變化來促進改進方面具有獨特的優勢。在質量 4.0中，即使數據的數量和種類增加，基本原則也不會改變。作為質量領域的專業工作者，我們擁有獨特的地位和優勢，可以幫助組織在這個新的數字化時代中繁榮發展。