质量4.0：数字化转型中的质量变革

编者按

数字化转型正引领我们走向互联化、智能化和自动化，在新的环境中人类和机器协作，并利用数据实现共享目标。这是工业史上的第四次革命，它需要我们建立全新的质量观。本文对美国詹姆士麦迪逊大学综合科学与技术系副教授妮可•拉齐维尔近期发表的“质量4.0”系列文章进行了汇编，梳理了质量4.0的演化过程、质量专业工作者的作用、质量 4.0的技能关联等。妮可•拉齐维尔长期从事数据科学、机器学习、质量管理、物联网、网络安全管理与分析等跨学科相关研究。

何为质量4.0

“质量4.0”一词来自于“工业4.0”。“工业4.0”即“第四次工业革命”，最初于2011年在德国汉诺威博览会上被提出,主要强调了制造系统中日益增长的智能性和互联性。

质量4.0是在第四次工业革命的技术发展过程中为追求卓越绩效而提炼出的词，可以用一个公式表示：

质量4.0 = 绩效创新（联结性 +智能化 + 自动化）

质量4.0演化

我们现今熟悉的质量专业始于第二次工业革命中期，其基础是由法国的亨利•法约尔以及美国的弗雷德里克•温斯洛•泰勒创建的科学管理方法。当时新兴的大规模工厂需要新的方法来确保装配线的顺利运行，生产出符合标准规格的工件。质量方法的产生，使得工人可以知道如何参与生产过程，同时也能有效地控制成本。

随着工业生产的成熟，这些方法逐渐扩展为围绕生产标准规格而开展的过程设计与控制。在20世纪80年代和90年代，个人电脑的使用使质量方法变得容易应用，从而得到大范围普及。同时，许多组织围绕文化价值重新审视质量工作，并积极参与质量活动，TQM、精益管理和六西格玛管理逐渐流行起来。

由于互联、智能和自动化系统越来越被广泛采用，质量工具和方法的再次复兴指日可待。质量4.0的演化过程可以总结成四个阶段，而我们现今处在“质量即探索”阶段。

•质量即检验：在早期，质量保证代表检查出生产中的劣质产品。休哈特的统计过程控制方法（SPC）可以帮助操作员确定质量差异是由随机原因还是特殊原因引起的。

•质量即设计：其后，在设计的工艺过程中出现了更全面的设计质量的方法，目标是在质量问题发生之前防止这些问题的发生。这一改变的灵感来自爱德华兹•戴明关于停止对检验依赖的建议，以及朱兰的“质量设计”模型。

•质量即赋权：到九十年代，采用全面质量管理（TQM）和六西格玛的组织提倡采用范围更广的质量方法。强调质量是每个人的责任，充分授权有助于为持续改进质量作出贡献。

•质量即探索：由于新技术的出现，我们处于一个新的前沿趋势中。在一个适应性强、智能化的环境中，质量取决于探索新发现，例如我们发现和汇总新数据源的速度有多快？我们如何有效地发现根本原因？我们如何敏捷地发现有关我们自己、产品以及组织的新见解？

使能技术生态系统：增值

数字化转型正引领我们走向互联化、智能化与自动化，它不仅改变了我们对质量的看法，同时也需要我们建立新的质量观来适应它。

自动化不是一个突变式的产物，而是迭代式进步的过程。在这一过程中，机器设备从被动地接受人的操作，逐渐变得能够自我判断。用户可以自行创建计算机所需执行的程序，比如通过计算机编程，让计算机代替人作出批准或调整的决定，或者让计算机直接执行其作出的决定。

同样，机器智能也是如此：通过一个算法，计算机或者其他设备可以提供行动方案、在批准或调整后采取行动，或者自行采取行动。这样，机器就被赋予了做出决定的权力和能力。从这种角度来看，工业4.0是一系列使能技术的生态集合。所以，当我们在流程中引入不同程度的智能化和自动化时，我们必须决定想要创造什么样的价值。

质量4.0的关键就是通过实施人工智能、机器学习、神经网络和区块链等新的工业技术，来提高人员、项目、产品和整个组织的绩效。

要做到这一点，我们要了解质量4.0主要会用到的技能和技术包括哪些。同时，还必须了解它们是如何相互关联的。这些技能技术之间的关系如图1所示。

人工智能包含了大多数我们目前掌握的工具。在许多情况下，这些工具显得非常普通，以至于不会被视为人工智能，例如光学字符识别。机器学习算法构成了人工智能领域的一部分。神经网络是机器学习算法的一种，深度学习是一种特殊复杂的神经网络，它将层次与特殊功能结合起来。人工智能和机器学习正日趋流行，不仅因为相关的软件更容易被获取和应用，而且使人工智能和机器学习变得强大的大数据也变得更容易操作。区块链，作为一种新出现的技术，有潜力提高数据质量和处理质量。统计与数据科学则为所有问题的解决提供了坚实的基础。

图1 质量4.0工具的生态系统

质量专业工作者：引领变革

人工智能和机器学习的引入，意味着数据驱动的决策可以变得更加有“自我意识”。有了更好的信息，我们将能够更好地适应不断变化的环境和客户或利益相关者的需求。

质量专业工作者能很好地领导数字化转型，因为他们在以下方面拥有深厚的技能：

•系统思维的能力；

•数据驱动的决策力；

•组织学习的领导力；

•能够建立持续改进的过程；

•了解决策是如何影响人们的生活、关系、社区、福祉、健康和社会等。

最后一项技能尤其重要。许多机器学习算法必须要经过培训，而且即使经过培训，也可能受到个人和认知偏见的影响。质量专业工作者可以预估积极和消极的影响，从而帮助组织防范消极的后果，同时抓住有利于每个人的机会。

质量专业工作者在面对结构化问题解决、数据驱动的决策和利用文化变化来促进改进方面具有独特的优势。在质量 4.0中，即使数据的数量和种类增加，基本原则也不会改变。作为质量领域的专业工作者，我们拥有独特的地位和优势，可以帮助组织在这个新的数字化时代中繁荣发展。