机器学习这10年我们能在各自的领域做点什么？

为什么要学习和了解机器学习？

Benedict Evans 认为，最终几乎所有的东西都会有机器学习，到那时人们对机器学习已经是习以为常、见怪不怪了。到这一步还有多久呢？10-15年。

这不禁让人思考：这10年，我们能利用这个契机在各自的领域做点什么呢？正如以往的各种技术浪潮兴起时，比如工业革命、电力革命、互联网、移动互联网，还有作者在文中说到的关系数据库技术等，那时各领域的创新者们都是如何响应的呢？

如果希望10年后能在自己的领域有所影响力的，利用机器学习应该是一个好的机会。跟自己相关的是学习领域，所以如何利用机器学习来提升学习的效率，是这一年多来在探索的命题。

假若10年机器学习技术真的对人类的学习方式、方法及效率带了本质的改变，希望其中能有一点自己的贡献。

下面是学习 Benedict Evans 这篇文章记的笔记以及自己的一点思考。

讨论机器学习务实方式

机器学习又被称作“人工智能 (AI)”。这个名字有好有不好。好的方面是，很容易抓眼球，获得大家（包括投资人）的注意力。不好的是，容易跑偏。大家容易想象成一种具有通用智能的东西。

作者举了很好的例子：

在自动化的每一波浪潮中，我们都想象我们正在创造一些拟人化的东西或具有通用智能的东西。在上世纪20、30年代，我们想象钢铁侠拿着锤子在工厂里走来走去，在50年代，我们想象人形机器人在厨房里走来走去做家务。但我们没有机器人仆人，我们有用来清洗的机器。

所以“人工智能将接管所有的工作” “数据是新的石油” 类似的话题都过于高屋建瓴，对深入理解机器学习并无益处。

更务实且有助于理解和解决问题的方式应该是：机器学习可以看作是另一种意义上的自动化，在概念上跟传送带或取放机并没有什么不同。它每次只能解决一个单一问题，每个问题都需要不同的实现方式、不同的数据、不同的路径，而且往往需要不同的公司。洗碗机洗碗，洗衣机洗衣服，机器学习跟它们一样，都是自动化的一部分。

找到机器学习应用场景的两套工具

作者在文中提供了两个思维角度，来寻找具体产品中机器学习的应用场景。

工具一：从数据和要解决的问题的类型上来思考，主要有三类：

（1）如果你有相关数据，机器学习可以提供更好的结果（数据分析）

比如：Instacar 公司建立了一个系统，来优化个人购物者在超市中的路线，结果是相关超市有50%的提升。这是由三名工程师利用谷歌的开源工具 Keras 和 Tensorflow 建立的。

（2）机器学习可以对已有数据提出新的问题（数据挖掘）

比如：就像正在找线索的律师，可以通过寻找有关“愤怒的”或“焦虑的”以及其他异常的线索，带来新的发现。

（3）机器学习可以用来直接分析音频、图像或视频数据，以前无法做到。这意味着图像传感器和麦克风变成了一种全新的输入机制（增加可分析数据类型）

比如：一家为汽车公司提供座椅的公司，在一个便宜的DSP芯片上安装了一个神经网络，并配有一个便宜的智能手

机图像传感器，用来检测面料是否有褶皱。

作者还特意指出，这个识别面料是否有褶皱，跟识别一张图是否是猫并不是同一个问题。我想他的意思应该是，用于工业界和实际产品中技术，并不需要像识别一张照片是否是猫这种认知层面的技术。能低成本地解决环节中任何一个哪怕是细小的问题，都是好的。至于能不能叫“人工智能”又有什么关系，它的本质是将以前无法自动化的任务给自动化了。

工具二：自动化的感觉（上面讲的这种自动化）

这个似乎有点虚无渺茫。你要想象这种自动化是一种低层次的自动化，并不需要像有20年经验的专家那样。

作者打了一个比方，还挺有意思的。他说有了机器学习这个工具，就像是给了你无数个可以用的实习生，或者是10岁的孩子。

5年前，机器能区分只能是照片的大小。一位10岁的孩子，可以分出男女。一位15岁的青少年可以分出酷或者不酷。一位实习生则能区分出有趣的人或无趣的人。现在的机器学习，已经可以达到10岁孩子甚至是15岁青少年的能力，但也许永远达不到实习生的水平。

那么问题来了：在这种情况下，如果你有一百万15岁青少年（即机器学习）来帮忙看照片，你会怎么做呢？同理，你会怎么通过他们来听电话，来识别图片，来监测信用卡转账信息呢？

（也许可以想一想再看答案...）

我们可以要求“他们” 听完所有的电话，找出其中听起来有些生气的那些；读完所有的邮件找到显得“焦虑”的那些；看完所有照片，找出酷的（至少是‘有点怪’）的，而在这之后的事情可以交给人来处理。所以，机器学习并不需要成为专家本身。

而这本质上就自动化一直在做的事，就像是 Excel 和 Photoshop 一直在为我们做的事情一样。

将一个重复多次的独立任务自动化，这同样是机器学习要做的。

当然上面这个比喻也有不适用的时候，比如机器在有的领域会超越人类，比如围棋。AlphaGo 就是一个很好的例子。但是这种领域足够狭窄，有具体且有限的规则，机器通过规则推演可以看到全部数据，而人类反而做不到的情况，是非常少见的。所以绝大多数的机器学习应用，还是上面说的“自动化”。

最后，结合自己的一点实际经验，说一说自己的体会，主要有两个方面。

第一，先摘低垂的果实

“低垂的果实” 是从万维钢的得到专栏《精英日课》听来的译法，英文是low hanging fruit，指的是相对不需要费太大力气就能获得的。

不是所有的人或公司都要追求10倍创新，那些让希望赋予机器认知能力的事情可以由大公司来做。对于一个直接面向用户的产品来说，什么能提升体验、能创造新的用户价值，就用什么。不为所谓“人工智能”之名所累，一切以解决问题和提升效率为优先，是更务实的态度。

第二，机器学习在用户量级大的系统解决方案型产品中更能发挥出效能

一是因为机器学习是靠数据驱动，用户量级大，收集的数据多，训练和迭代模型都更有利。另一个原因是，因为机器学习优化的可能是整个体系的一个环节，其效能需要在多次重复使用中发挥出来。这种回报后置要求，一在获得成效前要有长远眼光，二在取得成效后，需要系统将其效能放大。

比如，一个自适应的英语水平测评做得非常精准，但人们不一定愿意持续为测评付费。更好的情况是，测评后面还有一整体套提升英语水平的付费课程。

总之，机器学习是一个我们不想也不能忽视的趋势。它已经被应用于各行各业的各个环节，也将被应用于更多的场景，以此来提升效率。

https://mp.weixin.qq.com/s/5Ymg8waLiJryKIGDpquXhg

机器学习这10年我们能在各自的领域做点什么？相关推荐

学习机器学习：这10年我们能在各自的领域做点什么？
机器学习在这几年都非常热,被冠以人工智能 AI 之名,非常吸引眼球.大家都在谈论或思考它到底意味着什么,会给我们带来什么样的影响? 硅谷著名科技投资家及分析师 Benedict Evans 6月发表了 ...
机器学习算法 10 —— HMM模型(马尔科夫链、前向后向算法、维特比算法解码、hmmlearn)
文章目录系列文章隐马尔科夫模型 HMM 1 马尔科夫链 1.1 简介 1.2 经典举例 2 HMM简介 2.1 简单案例 2.2 案例进阶问题二解决问题一解决问题三解决 3 HMM模型基础 ...
网易再次下注10亿元，能在视频领域“砸”出水花吗
近日,据南华早报报道,网易计划重新加入短视频平台市场,将投资10亿元人民币支持旗下应用的内容创作者,从而与竞争对手展开竞争. 看到"10亿元""短视频平台市场" ...
资源 | 12月机器学习TOP 10文章，错过的快补课
翻译 | AI科技大本营编辑 | Donna Medium上的机器学习深度爱好者必关注的账号Mybridge照例对11月发表的学术论文进行了排名,整理出了10篇必读论文.营长已将论文资源整理好,建议 ...
机器学习 TOP 10 必读论文 | 资源
来源:AI科技大本营编辑 | Donna Medium上的机器学习深度爱好者必关注的账号Mybridge照例对11月发表的学术论文进行了排名,整理出了10篇必读论文,建议收藏深读. 1. Alpha ...
【Python成长之路】机器学习：10+分类算法汇总学习
一直都说python是人工智能.机器学习等算法的良配,很多python大神除了常规的大数据爬虫.网站开发等代码能力外,人工智能/机器学习也都是手到擒来.因此我也"跳坑"来看看 . ...
机器学习 TOP 10 必读论文
Medium上的机器学习深度爱好者必关注的账号Mybridge照例对11月发表的学术论文进行了排名,整理出了10篇必读论文,建议收藏深读. 1. Alpha Zero:用强化学习算法对中国象棋和国际象 ...
机器学习笔记10——应用机器学习算法的建议
目前,我们对机器学习的算法也有了一定的了解,这一节将会给大家一些建议,关于如何有效的使用机器学习算法.对于相同的算法,不同的人会使其发挥不同的效果,所以,这一节的主题就是教大家如何用机器学习算法解决具 ...
机器学习基础-10:机器学习简史
机器学习简史机器学习原理与实践(开源图书)-总目录,建议收藏,告别碎片阅读! 人类社会和自然界每时每刻都会生产大量数据,数据即信息,如果有效利用这些信息和数据,如何根据个体和机构的特定需求从海量数据 ...
机器学习（10）-随机森林案例（调参）之公共自行车使用量预测
随机森林案例之公共自行车使用量预测 1. 前言 1.1 背景介绍 1.2 任务类型 1.3 数据文件说明 1.4 数据变量说明 1.5 评估方法 2. 数据预处理 2.1 观察数据有没有缺失值 2.2 ...

机器学习这10年我们能在各自的领域做点什么？

机器学习这10年我们能在各自的领域做点什么？相关推荐

最新文章

热门文章