機器學習在這幾年都非常熱，被冠以人工智能 AI 之名，非常吸引眼球。大家都在談?wù)摶蛩伎妓降滓馕吨裁?#xff0c;會給我們帶來什么樣的影響？

硅谷著名科技投資家及分析師 Benedict Evans 6月發(fā)表了一篇 Ways to think about machine learning 的文章（鏈接可點閱讀原文），分享了他如何看待和理解機器學習的，非常務(wù)實。36kr 也編譯了中文版，推薦給大家。

為什么要學習和了解機器學習？

Benedict Evans?認為，最終幾乎所有的東西都會有機器學習，到那時人們對機器學習已經(jīng)是習以為常、見怪不怪了。到這一步還有多久呢？10-15年。

這不禁讓人思考：這10年，我們能利用這個契機在各自的領(lǐng)域做點什么呢？正如以往的各種技術(shù)浪潮興起時，比如工業(yè)革命、電力革命、互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)，還有作者在文中說到的關(guān)系數(shù)據(jù)庫技術(shù)等，那時各領(lǐng)域的創(chuàng)新者們都是如何響應(yīng)的呢？

如果希望10年后能在自己的領(lǐng)域有所影響力的，利用機器學習應(yīng)該是一個好的機會。跟自己相關(guān)的是學習領(lǐng)域，所以如何利用機器學習來提升學習的效率，是這一年多來在探索的命題。

假若10年機器學習技術(shù)真的對人類的學習方式、方法及效率帶了本質(zhì)的改變，希望其中能有一點自己的貢獻。

下面是學習 Benedict Evans 這篇文章記的筆記以及自己的一點思考。

討論機器學習務(wù)實方式

機器學習又被稱作“人工智能 (AI)”。這個名字有好有不好。好的方面是，很容易抓眼球，獲得大家（包括投資人）的注意力。不好的是，容易跑偏。大家容易想象成一種具有通用智能的東西。

作者舉了很好的例子：

在自動化的每一波浪潮中，我們都想象我們正在創(chuàng)造一些擬人化的東西或具有通用智能的東西。在上世紀20、30年代，我們想象鋼鐵俠拿著錘子在工廠里走來走去，在50年代，我們想象人形機器人在廚房里走來走去做家務(wù)。但我們沒有機器人仆人，我們有用來清洗的機器。

所以“人工智能將接管所有的工作” “數(shù)據(jù)是新的石油” 類似的話題都過于高屋建瓴，對深入理解機器學習并無益處。

更務(wù)實且有助于理解和解決問題的方式應(yīng)該是：機器學習可以看作是另一種意義上的自動化，在概念上跟傳送帶或取放機并沒有什么不同。它每次只能解決一個單一問題，每個問題都需要不同的實現(xiàn)方式、不同的數(shù)據(jù)、不同的路徑，而且往往需要不同的公司。洗碗機洗碗，洗衣機洗衣服，機器學習跟它們一樣，都是自動化的一部分。

找到機器學習應(yīng)用場景的兩套工具

作者在文中提供了兩個思維角度，來尋找具體產(chǎn)品中機器學習的應(yīng)用場景。

工具一：從數(shù)據(jù)和要解決的問題的類型上來思考，主要有三類：

（1）如果你有相關(guān)數(shù)據(jù)，機器學習可以提供更好的結(jié)果（數(shù)據(jù)分析）

比如：Instacar 公司建立了一個系統(tǒng)，來優(yōu)化個人購物者在超市中的路線，結(jié)果是相關(guān)超市有50%的提升。這是由三名工程師利用谷歌的開源工具 Keras 和 Tensorflow 建立的。

（2）機器學習可以對已有數(shù)據(jù)提出新的問題（數(shù)據(jù)挖掘）

比如：就像正在找線索的律師，可以通過尋找有關(guān)“憤怒的”或“焦慮的”以及其他異常的線索，帶來新的發(fā)現(xiàn)。

（3）機器學習可以用來直接分析音頻、圖像或視頻數(shù)據(jù)，以前無法做到。這意味著圖像傳感器和麥克風變成了一種全新的輸入機制（增加可分析數(shù)據(jù)類型）

比如：一家為汽車公司提供座椅的公司，在一個便宜的DSP芯片上安裝了一個神經(jīng)網(wǎng)絡(luò)，并配有一個便宜的智能手機圖像傳感器，用來檢測面料是否有褶皺。?

作者還特意指出，這個識別面料是否有褶皺，跟識別一張圖是否是貓并不是同一個問題。我想他的意思應(yīng)該是，用于工業(yè)界和實際產(chǎn)品中技術(shù)，并不需要像識別一張照片是否是貓這種認知層面的技術(shù)。能低成本地解決環(huán)節(jié)中任何一個哪怕是細小的問題，都是好的。至于能不能叫“人工智能”又有什么關(guān)系，它的本質(zhì)是將以前無法自動化的任務(wù)給自動化了。

工具二：自動化的感覺（上面講的這種自動化）

這個似乎有點虛無渺茫。你要想象這種自動化是一種低層次的自動化，并不需要像有20年經(jīng)驗的專家那樣。

作者打了一個比方，還挺有意思的。他說有了機器學習這個工具，就像是給了你無數(shù)個可以用的實習生，或者是10歲的孩子。

5年前，機器能區(qū)分只能是照片的大小。一位10歲的孩子，可以分出男女。一位15歲的青少年可以分出酷或者不酷。一位實習生則能區(qū)分出有趣的人或無趣的人。現(xiàn)在的機器學習，已經(jīng)可以達到10歲孩子甚至是15歲青少年的能力，但也許永遠達不到實習生的水平。

那么問題來了：在這種情況下，如果你有一百萬15歲青少年（即機器學習）來幫忙看照片，你會怎么做呢？同理，你會怎么通過他們來聽電話，來識別圖片，來監(jiān)測信用卡轉(zhuǎn)賬信息呢？

（也許可以想一想再看答案...）

我們可以要求“他們” 聽完所有的電話，找出其中聽起來有些生氣的那些；讀完所有的郵件找到顯得“焦慮”的那些；看完所有照片，找出酷的（至少是‘有點怪’）的，而在這之后的事情可以交給人來處理。所以，機器學習并不需要成為專家本身。

而這本質(zhì)上就自動化一直在做的事，就像是 Excel 和 Photoshop 一直在為我們做的事情一樣。

將一個重復多次的獨立任務(wù)自動化，這同樣是機器學習要做的。

當然上面這個比喻也有不適用的時候，比如機器在有的領(lǐng)域會超越人類，比如圍棋。AlphaGo 就是一個很好的例子。但是這種領(lǐng)域足夠狹窄，有具體且有限的規(guī)則，機器通過規(guī)則推演可以看到全部數(shù)據(jù)，而人類反而做不到的情況，是非常少見的。所以絕大多數(shù)的機器學習應(yīng)用，還是上面說的“自動化”。

最后，結(jié)合自己的一點實際經(jīng)驗，說一說自己的體會，主要有兩個方面。

第一，先摘低垂的果實

“低垂的果實” 是從萬維鋼的得到專欄《精英日課》聽來的譯法，英文是low hanging fruit，指的是相對不需要費太大力氣就能獲得的。

不是所有的人或公司都要追求10倍創(chuàng)新，那些讓希望賦予機器認知能力的事情可以由大公司來做。對于一個直接面向用戶的產(chǎn)品來說，什么能提升體驗、能創(chuàng)造新的用戶價值，就用什么。不為所謂“人工智能”之名所累，一切以解決問題和提升效率為優(yōu)先，是更務(wù)實的態(tài)度。

第二，機器學習在用戶量級大的系統(tǒng)解決方案型產(chǎn)品中更能發(fā)揮出效能

一是因為機器學習是靠數(shù)據(jù)驅(qū)動，用戶量級大，收集的數(shù)據(jù)多，訓練和迭代模型都更有利。另一個原因是，因為機器學習優(yōu)化的可能是整個體系的一個環(huán)節(jié)，其效能需要在多次重復使用中發(fā)揮出來。這種回報后置要求，一在獲得成效前要有長遠眼光，二在取得成效后，需要系統(tǒng)將其效能放大。

比如，一個自適應(yīng)的英語水平測評做得非常精準，但人們不一定愿意持續(xù)為測評付費。更好的情況是，測評后面還有一整體套提升英語水平的付費課程。

總之，機器學習是一個我們不想也不能忽視的趨勢。它已經(jīng)被應(yīng)用于各行各業(yè)的各個環(huán)節(jié)，也將被應(yīng)用于更多的場景，以此來提升效率。

所以這10年，我們都可以在各自的領(lǐng)域做點什么呢？這是一個好問題。

（全文完）

作者：紫蘇和魚
鏈接：https://www.jianshu.com/p/12114bd4a7b8
?

總結(jié)

以上是生活随笔為你收集整理的学习机器学习：这10年我们能在各自的领域做点什么？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。