撬开人工智能的黑匣子(《商业评论》MIT斯隆管理评论精选)
上QQ阅读APP看书,第一时间看更新

机器学习和预测

近来人工智能的最新进展被称为“机器学习”,指给计算机编程,让计算机学习样本数据和以往经验。比如,想象一下在一篮子杂物中如何识别一样东西。如果我们能够描述一个苹果的外观,我们就能给计算机编程,让计算机根据颜色和形状来识别苹果。但是,颜色和形状都和苹果类似的其他物体也是存在的。我们可以继续根据苹果某一方面的细节特征编码,但在现实世界中,复杂的程度以指数级别增长。

复杂程度高的环境是机器学习最有用的地方。在培训中,研究人员给机器看一组物体的照片,每张照片都附有物体的名字,然后给机器看数百万张含有之前看过的物体的照片,其中只有一部分是苹果。结果,机器发现了其中的关联——例如,苹果大多是红色的。通过运用关联因素,例如颜色、性质、质地,以及最重要的背景因素,机器参考已经看过的苹果图像的信息,来判断自己现在看的新图像是不是苹果。

当我们谈论预测时,往往指的是预期未来会发生什么。例如,机器学习可以被用来预测银行客户是否会在某笔贷款上违约。机器学习也可以用于现在,例如,依据病人的症状进行医疗诊断。(实际上,预测的是疾病的存在)这种数据使用方式并不新鲜。机器学习背后的数学概念已经出现了数十年之久。很多算法出现得更早。那么发生了哪些变化?

观点概要

人工智能通过“预测”(利用已知信息产生之前没有的信息)让曾经稀少且昂贵的事物变得富余又廉价。近年来计算速度、数据存储、数据检索、传感器以及算法的进步大幅降低了基于机器学习的预测成本。判断是经过思考后做出决策的能力——根据预测,了解不同行动会带来的不同结果。有些期望的结果能精确描述,有些则不能。在可以使用一种算法明确界定整个决策的情况下,例如,图像识别和自动驾驶,我们预测计算机将取代人类。然而,在难以描述判断的领域,则需要更长的时间。对于未来,我们需要认识到以下三点:

1.预测不等于自动化

2.最有价值的员工技能涉及判断

3.管理可能需要新的人才和知识配备

近年来计算速度、数据存储、数据检索、传感器以及算法的进步大幅降低了基于机器学习的预测成本。其成果可以从图像识别和语言翻译上看出,这两项已经从一开始的笨拙不堪发展到了几近完美。所有这些进步都导致了预测成本的大幅下降。