您的位置:文章正文

你文字里的焦虑,它一眼就能看出来

加入日期:2018-7-12 18:25:13

  中华财富网(www.chinacaifu.cn)2018-7-12 18:25:13讯:

  投中网(https://www.chinaventure.com.cn)

  编者按:机器学习,本质上就是在大量的数据中寻找这样的规律和结构。

  不知从哪一天起,当你拨通一则客服电话,电话那头不再是一个真实的接线员为你服务,而是机器人(行情300024,诊股)。它可以根据你提供的关键词,轻而易举地帮你完成密码重置,个人信息更新,甚至进行有针对性的推销。

  当然,这只是机器学习在实际生活中一个再普通不过的应用。这门学科在其兴起的短短四五年内,已经悄无声息地渗透进了我们的家里、学校、办公室等许许多多个角落。

  几乎每个人都或多或少听过这个名词。但它究竟是什么?它又能帮我们做什么?a16z 著名投资人 Benedict Evans 在文章中分享了自己的看法。

  什么是机器学习?

  显然用“人工智能”一个词来概括是不够的。

  换一种方式理解,我们大概知道神经网络长什么样子。

  两个关键词——规律性的模式和数据。

  机器学习,本质上就是在大量的数据中寻找这样的规律和结构。

  而这些数据,往往看上去是没有显著规律可言的。

  原先,计算机可做不了这事。或者说,让人们把这项任务用程序告诉计算机,都是很困难的。但是,随着科技的进步和人类的不断探索,“机器学习”时代还是到来了。

  打开人工智能世界的大门

  与其说什么高大上的骇人听闻的词,比如“数据就是金子”,“人工智能会取代所有工作“, 还不如仔细思考一下,什么是自动化,什么是关系数据库。

  一句话概括,关系数据库改变了数据结构。

  在 1970 年关系数据库出现前,假设想让电脑告诉我们,所有买过我们产品且住在这个城市的客户,我们需要专门搭建一个项目来解答这个问题。当时数据库只是一个记录系统,你问个问题没法直接得到答案。

  但是关系数据库呢,就能做到交叉查询。

  它催生了一系列数据库的创新应用,和许多基于此的几十亿美元公司。

  关系数据库给了我们甲骨文公司(Oracle , 全球最大企业级软件公司)。它同时让SAP(System APPlications and Products, 企业管理解决方案)及其同行给全球范围内的企业提供了供应链支持,比如苹果公司和星巴克。

  值得注意的是,虽然关系数据库本身具有规模效应,但是装在不同篮子里的鸡蛋还是在不同篮子里。 举个例子,公司 B 从同一供应商处买了公司 A 买过的数据库软件,软件并不会因为 A 买过而变得更好。

  同样地,机器学习所看重的数据也是分篮子的。更多的手写数据使手写识别器变得更好了;但这并不能帮助改进燃气轮机。一个特定领域里的数据不可替代。

  常见的误解

  人们往往对机器学习有个误解,认为机器学习是单一的、通用的。

  每一波自动化的浪潮中,我们都想象我们在创造一些和人一样智能的或帮助人的东西。在 20 世纪五十年代,我们想象人形机器人在厨房里走动,做家务。

  事实上,我们没有得到机器人仆人。

  我们得到了洗衣机。

  洗衣机是机器,但它们并不“聪明”。它们不知道什么是水,什么是衣服。此外,即使在洗涤领域里,它们也不是通用的。你不能把餐具放在洗衣机里,也不能把衣服放在洗碗机里。它们只是另一种自动化,在概念上与传送带或取放机器没有什么不同。

  同样,机器学习让我们可以解决以前计算机无法解决的问题,但每个问题都需要不同的实现方法,不同的数据,以及不同的推广渠道。它们中的每一个都是自动化的。每一个都相当于一台洗衣机。

  机器学习能帮我们做什么

  首先,机器学习可以分析我们已有的数据、提供更好的结果。举个例子,仅由三位工程师使用谷歌开源工具构建的系统,成功优化了一家零售公司的顾客采购系统,并将该公司的效益提升了50%。

  其次,机器学习还可以从已有数据中挖掘新的信息。例如,机器学习可以通过关键词搜索,帮你找到传达“愤怒”、“不安”等情绪的邮件。

  除此以外,机器学习还开辟了新的数据类型进行分析。电脑可以“看到”了,就像他们可以“阅读”一样。图像传感器(和麦克风)成为一种全新的输入机制。

  吴恩达(华裔计算机科学家)认为,机器学习能够做一切人在不到一秒的时间内能做的事。但我更喜欢另一个比喻,它给你无限数量的十岁的孩子。

  五年前,如果你给计算机提供一堆照片,那么它只能按照尺寸将它们排序。但是一个十岁的孩子可以把他们分成男人和女人,一个十五岁的孩子可以划分他们哪些有吸引力,一个实习生可能会说“哦,这张真的很有趣”。

  今天,凭借机器学习,计算机将相当于一个十岁,也许十五岁的孩子。它可能永远不会到实习生的级别,但如果你有一百万个十五岁的孩子在帮助你分析数据,你能做的事情就比现在多得多了。

  也就是说,机器学习不需要匹配专家或数十年的经验判断。相反,我们只要求它能做到“接听所有的电话并找到愤怒的那些”、“阅读所有电子邮件,找到焦虑的那些”、“看看十万张照片,找到那些很酷(或至少不寻常)的人”。

  这个比喻还告诉我们,在一些领域,机器学习不仅能够做人们能够做的,还能够做人们不能做的。举 AlphaGo 的例子,它只不过明白了下棋规则,剩下的策略由它自己在和自己下棋中不断总结、摸索。练习的次数可能超过一个人一生能下的数量。

  所以,有什么领域是窄到规则我们可以直接告诉机器,却又深到看遍其中的所有数据能够给我们带来的新发现呢?

  我花了很多时间在和大公司们聊他们的技术需求,那些对于机器学习来说都很容易做到,比如优化分析问题和图像音频识别。还有自动驾驶汽车和虚拟现实----是机器学习的技术分析了车子周围有什么,人类驾驶员一般会怎么做;戴上眼镜应该看到什么。

  它还可以帮我们做什么?还有哪些我们不知道的应用?这些,都留给我们在未来的 5 到 10 年间去探索吧。

  (编辑:冉一方)

编辑: 来源: