PDCA与深度学习

前言:这篇文章主要是我对《高效PDCA工作术》这本书内容的一些总结，并且结合自己对深度学习的理解，将两者进行比对，帮助大家理解这看似不沾边，但是本质上是一致的两个概念。

最近速读了一本叫做《高效PDCA工作术》，作者是日本特大金融科技平台ZUU的CEO富田和成。书中洋洋洒洒而略显啰嗦地根据作者自己对于PDCA工作方法的热爱，详尽地把PDCA的定义和理解方式、使用方法和思路、以及在具体情境之下的应用分析和团队决策等等全方面的细节展现了出来。在读完这本书之后，我突然想到，这个PDCA工作方法，其实本质上跟深度学习的思路是非常类似的，这样一对比，我对PDCA的理解就更加深刻了。

什么是PDCA

PDCA其实是四个英文单词缩写的拼接：

• Plan：计划
• Do：实施
• Check：验证
• Action：调整 （作者用Adjust作为替代）

到这里，PDCA的定义就已经结束了。你可能会觉得：就这么简单嘛，也没有什么困难的！但是我觉得任何一个理论的难点，都是出现在应用的过程中：我们的理解可能是比较片面的，进而在应用中会遇到各种各样的问题。毕竟实践出真知啊！

在刚刚了解PDCA理论的时候，我觉得实施过程是这样的一个单向过程：

图片来自网络

但是本质上，PDCA是一个无限的循环，直到问题被解决：

图片来自 维基百科

这样一来，PDCA就从一个单一维度的静态过程，变成了环环相扣的动态过程：

计划阶段

• 计划阶段：重点在于将目标分解、量化、排序
  定量化目标 -> 因式分解大目标为小目标 -> 找出目标和现状之间的差距
  制定课题、提出解决方案 -> 将课题按优先级排序 -> 课题的KPI指标化
  制定解决方案、达成KPI指标 -> 将解决方案按优先级排序 ->将计划可视化

实施阶段

• 实施阶段：重点在于具体和优先级
  将解决方案转换为行动措施 -> 将行动措施按优先级排列 ->行动措施的量化
  将行动措施落实为具体任务 ->确认落实的同时，逐步推进具体任务

验证阶段

• 验证阶段：重点在于指标达成和原因分析
  确认KGI、KPI、KDI指标的达成率 -> 查明失败的原因、分析成功的经验

调整阶段

• 调整阶段：重点在于调整和进行下一轮
  根据验证结果提出调整方案 -> 将调整方案排列出优先顺序 -> 连接下一轮PDCA循环

PDCA循环

这样的循环往复，保证了每一次循环中得到的结果都会被用来修正上一次执行方法中的不足，从而在多次循环之后，将完成目标的方法和方案打磨到最佳，并顺利将目标达成。

图片来自网络

《高效PDCA工作术》中的金句

无论最初提出的目标有多么庞大，我们都可以将其划分为诸多细小的PDCA。转动这些细小的PDCA，可以加快整体规划向着最终目标迅速靠近。

作者在说的是PDCA的任务分解，但是我们面临的所有任务，都应该通过“因式分解”的方法，将大块的任务分解成可以量化和执行的小任务。就像程序编写中的“分而治之”思想一样，小任务的完成可以推动大任务完成的进度。

而且更重要的是，大任务在被分解之后，它的难度会呈指数型地降低，让小任务的完成变得相对简单和独立，便于分发给小组进行同步完成：这其实是作为一个管理者所必需的技能，即将抽象的愿景和目标转化成可以每天执行的可量化任务的能力。

让人感到焦虑、疑惑、踌躇不前的原因不外乎以下三点：

• 不知道自己最终想要得到什么样的结果：目标不明确
• 不知道自己目前所做的努力是否值得：方向不明确
• 不知道自己现在的做法是否应当继续：手段不明确

作为生活在快速变化时代的我们，被很多的欲望所困扰：我们想考到好的大学和研究生，想得到升职和加薪，想培养出优秀的孩子，想得到健康和健壮的身体，想早点儿实现财务自由，等等。这些事情都不能在短时间内实现，而导致的目标、方向、手段的不明确，就让我们每天非常焦虑，并且妨碍了我们努力的脚步。

其实PDCA的重要意义之一就在于，它给我们向着目标开始奋斗，找到了一个起始点。我们不需要把事情想到非常周全，计划制定地异常完美之后才行动，而是有了一个差不多的方向之后，先迈出一步，看看会得到什么样的结果；如果结果不好，那么就查缺补漏，找出失败原因，调整自己继续前进。只要心里相信自己一定会到达最终的目的地，那么经过多次的PDCA循环之后，我们就有很大可能实现最初的目标。

PDCA循环的失败，本身就是提高假说精度最宝贵的成果。得过且过带来的失败经验，不足以让人得到有益的启迪。只要PDCA循环保持不停地转动，不论结果如何，都将表明你在朝着自己的目标稳步迈进。

我们都知道“失败是成功之母”，那么为什么是这样呢？失败本身并不是成功之母，而是在失败之后总结经验，调整自我之后，才能向着成功迈进更多一点。而且从“刻意练习”这个思想出发，每一次的行动，都是有意义的，可以给未来提供指导的，所以“得过且过”得来的失败，是没法让自己进步的，因为没有投入思考的失败，没有任何意义。

实施起来充满信心！验证起来疑神疑鬼！

这其实是PDCA赋予我们的一个积极的态度。因为我们知道，这一次行动的失败不是没有意义的，不是会否定一切的，而是由积极的建设意义和指导意义的，那么我们就可以放手去做，努力完成这一次的行动。但是在行动中，我们必须对细节敏感，并且敏锐记录在行动中出现的一点一滴的小问题和小挫折，从而在任务完成之后，能够总结出对下一次行动有意义的改进，进而优化这个流程，让自己的行动日臻完美。

PDCA是现实中的深度学习

深度学习是现在非常火的一个概念，它本质是基于人工神经网络的一种机器学习方法。深度学习需要大量的训练数据将人工神经网络的不同层次进行优化，直到网络能够比较完美得将训练数据和目标结果进行映射。这是我作为一个电子工程师必须要掌握的一项技术技能，我在《六年工龄数字信号处理工程师的不完全职场进阶计划（专业技能篇）》这篇文章中也对它进行了剖析。

深度学习训练过程

当我们结合PDCA和深度学习的概念，就能发现他们的相似之处：

• P：相当于深度学习中的神经网络选择和参数初始化
• D：相当于给神经网络输入训练数据并且执行网络
• C：相当于神经网络输出结果，并且和目标结果进行比对
• A：相当于计算网络输出的误差函数，并且反向传播来修正参数，准备下一轮的训练

把他们放在一张图里面，就是这个样子的：

深度学习和PDCA

这样我们就把虚拟世界里面的一种人工智能算法，和现实世界里面的一种高效做事方式，有效地联系在了一起。这一种联系，也许没有本质上的意义，但是它可以帮助熟知PDCA的管理者了解深度学习，也可以协助深知深度学习的程序员明白PDCA的意义。