萬萬沒想到，枯燥的“機器學(xué)習(xí)”還可以這樣學(xué)！
機器學(xué)習(xí)是人工智能的核心之一，涉及領(lǐng)域包括概率論、統(tǒng)計學(xué)等復(fù)雜學(xué)科。對于非專業(yè)人士來說，想要理解它著實不容易。
最近，螞蟻 AI 平臺部的栢檸，卻在遛彎中找到解釋“機器學(xué)習(xí)”的關(guān)鍵所在，以深入淺出的方式把“機器學(xué)習(xí)”解釋得趣味盎然。下面一起來學(xué)下吧！
本文作者：螞蟻金服 AI 平臺部資深產(chǎn)品專家栢檸（朱百寧）
5 月末的一天中午，螞蟻 AI 平臺部的幾個 PD 同學(xué)吃完老娘舅，在Z空間樓下遛彎。
期間，某同學(xué)提到一則“小孩子因為雞毛蒜皮的小事，想不開而做出傻事”的新聞。
當(dāng)大家在紛紛感嘆的時候，一位產(chǎn)品專家同學(xué)形象地說了一句——這個孩子的“模型過擬合、泛化能力太差”。
這個比喻確實一針見血、入木三分啊！眾人均表示，以此悟性，該同學(xué)“晉升研究員，入主組織部”就指日可待了！
的確如此，嬌生慣養(yǎng)（過擬合：overfitting）形成的脆弱心智（模型），在面臨真實世界當(dāng)中的種種不如意時，往往不能正確地處理（預(yù)測不準、泛化能力差），從而非常容易釀成悲劇。
在機器學(xué)習(xí)當(dāng)中，在訓(xùn)練模型時，如果樣本太單一或者特征選擇不當(dāng)，就會出現(xiàn)過擬合。即把訓(xùn)練樣本當(dāng)中的特殊情況，當(dāng)成普遍情況。這樣，在面對新的樣本時，就無法正確處理。
我們常說的應(yīng)試教育和素質(zhì)教育，也有泛化能力的巨大差異。
應(yīng)試教育整天讓學(xué)生做卷子、刷題庫，訓(xùn)練出來模型過擬合、泛化能力差，就會出現(xiàn)“高分低能”的情況。而素質(zhì)教育則注重能力鍛煉、比較多元化，訓(xùn)練出來的模型泛化能力強，學(xué)生們將來在生活和工作方面都不會有太大的問題。
其實，如果你把人的成長與機器學(xué)習(xí)進行仔細比對，你就會發(fā)現(xiàn)，兩者還有更多異曲同工之妙。
一個嬰兒呱呱墜地，他天生就會具備一些能力（自帶算法庫），比如心跳、呼吸、哭、笑、恐懼等等。
這些能力，都是神奇的進化和偉大的基因帶給我們的。否則，讓我們重新掌握一遍這些技能那就太費勁了。
當(dāng)然，為了正常的生活，僅僅有這些自帶的初級算法和模型是還不夠，你還要不斷地掌握一些新的技能（自研算法）。
比如，吃飯、走路、說話等等。
要掌握這些技能，需要父母日復(fù)一日，年復(fù)一年，不辭辛苦地反復(fù)教我們，訓(xùn)練我們咿呀學(xué)語、蹣跚學(xué)步。
這就像在機器學(xué)習(xí)中，需要足夠多的樣本（成千上萬），耗費很多計算資源，經(jīng)過數(shù)分鐘甚至數(shù)小時、數(shù)天的持續(xù)訓(xùn)練，才能獲得一個模型。
其實，在人的大腦當(dāng)中，不光有常年累月不斷訓(xùn)練而掌握的技能（模型），還會有一些強規(guī)則。
這些規(guī)則，有些是父母教給我們的，有的是社會道德規(guī)范、法律法規(guī)形成的 。
比如，父母會對小孩子說：“不要隨便吃陌生人給的食物”、“過馬路時要左右看”。
在生活當(dāng)中，要尊老愛幼、禮尚往來，要遵紀守法、踐行社會主義核心價值觀等等。
對于這些規(guī)則，我們記住，以后照做就行了。
由此可見，我們的大腦就像一個決策中心或者決策中樞，其中包含了無數(shù)規(guī)則和模型
。每次決策，就是組合地使用這些規(guī)則和模型。
在實際的機器學(xué)習(xí)應(yīng)用場景中，在各個業(yè)務(wù)線當(dāng)中，也有各種各樣類似的“決策中心”，比如大安全的 UCT、微貸的 AGDS 以及 DecisionX 這樣的“通用決策中心”。
這個決策中心，就包含了成百上千復(fù)雜的規(guī)則（或者稱為“策略”）以及訓(xùn)練得到的模型。對于某一個，用策略 and/or 模型的組合來進行判斷和決策。
而且，往往是先判斷策略，如果不滿足某個策略，那么就直接給出決策。
隨著年齡的增長，除了吃喝拉撒這些基本技能，我們的決策中心還需要掌握更多的技能，比如語文、數(shù)學(xué)、音樂、舞蹈、體育等等。
在這方面，經(jīng)常會看到某些孩子“天賦異稟”，即系統(tǒng)自帶超牛的算法——他的爸媽給他遺傳了更好的算法。
不過，我們普通人也不要氣餒，我們可以付出更多努力（大樣本），不斷刻意、刻苦地訓(xùn)練（模型不斷 retrain 和演進），也能取得好的成績。
人生是場馬拉松，模型訓(xùn)練也是如此。
相比之下，在這場馬拉松當(dāng)中，在人生的不同年齡階段，我們所使用的學(xué)習(xí)方法也不盡相同。
在小時候，我們大多數(shù)采用的是有監(jiān)督的機器學(xué)習(xí)。
比如，父母會拿著各種各樣的水果教我們：“這是蘋果，這是桔子”。
動畫片和故事書經(jīng)常告訴我們：哪些是好人，哪些是壞人。
于是，我們最常用的就是二分類算法：大/小、長/短、是/否、好/壞。
而長大以后，我們遇到更多的是無監(jiān)督或者半監(jiān)督的學(xué)習(xí)，很多事物并不會帶著明確的是非對錯的標簽。
因此，我們會用一些聚類算法。跟遇到的人經(jīng)過一段時間熟悉后，才會把他們分為“講義氣”、“酒量大”、“會修電腦”、“愛吃老娘舅”等各個類別。
盡管學(xué)習(xí)的方法各異，但大道至簡、萬物相同。
我們知道，一個人在某個方面有所成就，就很容易在其他領(lǐng)域表現(xiàn)優(yōu)異（遷移學(xué)習(xí)） 。
比如，愛因斯坦不僅是杰出的科學(xué)家，他還精通小提琴。一個C語言高手，很快就能變身 Java 大拿。
當(dāng)然，細究起來，人腦與機器學(xué)習(xí)也有不少差異。
比如，給小孩玩幾個玩具汽車、看幾張汽車圖片，他就會能認識許多造型各異、圖片風(fēng)格迥異的汽車。
相比之下，要讓機器達到這樣看似簡單的能力，則需要需要數(shù)萬、數(shù)百萬的樣本來訓(xùn)練。
幾年來，有關(guān) AutoML 的一個研究方向，就是解決如何用少量的樣本完成模型的訓(xùn)練。
此外，我們發(fā)現(xiàn)，人類“下意識、一瞬間”能做的事情，對于人工智能來說卻很難。
比如，認識物體和人像（圖像識別能力）、喜怒哀樂的情緒以及行走奔跑的能力。究其原因，還是歸功于偉大的進化——我們的這些模型，是經(jīng)歷了億萬年的進化，經(jīng)過了無數(shù)次地模型演進才獲得的。
反過來說，人類花很長時間才能做完的事情，對電腦來說卻易如反掌。例如，在短時間內(nèi)，對 100 萬個數(shù)字求和，或者把圓周率的精確到小數(shù)點后 100 萬位。
然而，要找到人腦和人工智能的能力差異背后的真實原因，人類還有很長一段路要走。
盡管現(xiàn)在科技日新月異，盡管人們已經(jīng)發(fā)明出了“深度神經(jīng)網(wǎng)絡(luò)”來實現(xiàn)人工智能（深度學(xué)習(xí)），讓機器認識貓、下圍棋，但人類對自己大腦的運作機制仍然知之甚少。
可以說，人們用自己那神奇的、原理尚不清楚（不可解釋） 的大腦，造出了種種機理尚不清楚（不可解釋）的模型。
也就是說，盡管你用深度學(xué)習(xí)訓(xùn)練出了一個可以識別貓的模型，但這個模型沒有可解釋性。即，你無法說出這個你訓(xùn)練出的這個牛逼的模型，究竟是靠哪些特征、哪些原則來識別出貓的。
人的心智，就是由無數(shù)個如此諱莫如深的模型以及清晰明了的規(guī)則組成。
人的一生，就是不斷迭代舊算法、retrain 舊模型，研發(fā)新算法、訓(xùn)練新模型的過程。
所謂“讀萬卷書、行萬里路、與萬人談”，這就是讓我們掌握更多的算法，擁有更全面的樣本，從而訓(xùn)練出更多樣的模型。
不過，可惜的是，不像“長相、哭、笑”這類特征或技能，人類的大部分模型并不能通過基因來遺傳給我們的孩子。
比如，一個“精通 Java/Python，擅 debug、調(diào) core”的高級技術(shù)專家（P8），與一個“深諳用戶體驗和人性本質(zhì)”的資深產(chǎn)品經(jīng)理（P6）合體之后，繁衍的后代并不能天生就會寫碼或畫線框圖。
也就是說，你窮盡一生訓(xùn)練出來的各色優(yōu)雅的模型，有朝一日都會下線（模型下線）。
但是，并不要因此感到悲傷，人生本來就是一個體驗美好和精彩的過程。
人常說，活到老學(xué)到老，這樣的人生才是完整的，才是值得期待的。
總而言之，螞蟻金服 AI 平臺部匯聚了機器學(xué)習(xí)、大數(shù)據(jù)智能等領(lǐng)域的來自五湖四海、國內(nèi)國外的眾多精英，部門的產(chǎn)品支持了螞蟻金服多個核心產(chǎn)品和業(yè)務(wù)。
這個團隊不光有才、有料，還有情、有義、有趣！
