如果一個(gè)人對(duì)機(jī)器學(xué)習(xí)有很多誤解，可能會(huì)對(duì)他的職業(yè)和聲譽(yù)產(chǎn)生負(fù)面影響。

[[320684]]

Forrester Research最近發(fā)布了一份名為“ 粉碎機(jī)器學(xué)習(xí)的七個(gè)神話”的報(bào)告。在其中，作者警告說：“不幸的是，一些對(duì)機(jī)器學(xué)習(xí)項(xiàng)目做出重要決策的企業(yè)領(lǐng)導(dǎo)者，普遍存在機(jī)器學(xué)習(xí)的誤解。”

當(dāng)高管和經(jīng)理談?wù)揂I以及機(jī)器學(xué)習(xí)時(shí)，他們有時(shí)會(huì)犯一些事實(shí)錯(cuò)誤，顯示出他們真正的知識(shí)水平。

卡爾森說：“當(dāng)產(chǎn)品負(fù)責(zé)人說諸如“我們正在使用強(qiáng)化學(xué)習(xí)，因?yàn)槲覀儗⒂脩舴答伡{入趨勢模型中”時(shí)，這可能不是一件好事。“我曾經(jīng)和其他分析師一起參加過座談會(huì)，聽到的聲音是，'無監(jiān)督的學(xué)習(xí)中，您不再需要人工參與或培訓(xùn)'，而您正在等什么呢?”

ABI首席分析師 Lian Jye Su表示，根據(jù)他的經(jīng)驗(yàn)，大多數(shù)高管圍繞機(jī)器學(xué)習(xí)的基本知識(shí)和“垃圾進(jìn)，垃圾出”的原則有一些想法，但是他們中的大多數(shù)人都認(rèn)為機(jī)器學(xué)習(xí)模型是黑匣子，而機(jī)器學(xué)習(xí)需要大量數(shù)據(jù)。

“我認(rèn)為這主要是由于卷積神經(jīng)網(wǎng)絡(luò)的普遍存在，它需要大量數(shù)據(jù)，并且在更多數(shù)量的卷積層上可以更好地工作，而且我相信，一旦其他機(jī)器學(xué)習(xí)算法變得越來越流行，這種看法就會(huì)慢慢消失，Lian Jye Su說。

一個(gè)問題是教育。決策者究竟應(yīng)該在哪里學(xué)習(xí)有關(guān)機(jī)器學(xué)習(xí)的真相?盡管Forrester的Carlsson認(rèn)為兩者之間的交集不見了，但從業(yè)人員和企業(yè)級(jí)別的選擇仍然很多。

“我認(rèn)為我們需要做最多工作和最大幫助的地方是幫助業(yè)務(wù)方面的人們充分了解該技術(shù)，從而知道這實(shí)際上有什么用?我可以將其應(yīng)用于哪些類型的問題?” 卡爾森說。

以下是導(dǎo)致常見誤解的一些因素。

術(shù)語不是很容易理解

問題的一部分是術(shù)語本身。人們有時(shí)將人工智能解釋為像人一樣思考的機(jī)器，而將機(jī)器學(xué)習(xí)解釋為像人一樣學(xué)習(xí)的機(jī)器。

ABI Research的Su說：“數(shù)據(jù)科學(xué)家并不是最擅長的術(shù)語。” “我認(rèn)為我們應(yīng)該部分歸咎于分析師，因?yàn)槲覀兘?jīng)常用大膽的話來介紹新技術(shù)。”

不切實(shí)際的期望

人們普遍誤以為AI是一門強(qiáng)大的東西，這導(dǎo)致人們相信AI可以做任何事情。替代地，當(dāng)不同的技術(shù)適合于不同類型的用例時(shí)，有時(shí)將深度學(xué)習(xí)解釋為比其他形式的機(jī)器學(xué)習(xí)“更好”。

Forrester的Carlsson說，僅僅從您想要的東西開始，例如用虛擬座席替換呼叫中心中的每個(gè)人，并不是很有幫助。他們以增強(qiáng)的方式建立起來，以幫助呼叫中心中的某人。

ABI Research的Su表示，不切實(shí)際的期望是炒作接管理性思考的一種情況。根據(jù)他的經(jīng)驗(yàn)，高管們對(duì)期望不可能或不可能實(shí)現(xiàn)的想法越來越少。

無法理解機(jī)器學(xué)習(xí)的概率性質(zhì)

傳統(tǒng)上，軟件是確定性地構(gòu)建的，這意味著給定的輸入應(yīng)導(dǎo)致給定的輸出?；谝?guī)則的AI也是如此。另一方面，機(jī)器學(xué)習(xí)有一定的誤差。

Forrester的Carlsson說：“在機(jī)器學(xué)習(xí)世界中，您極有可能永遠(yuǎn)無法預(yù)測要預(yù)測的事物，因?yàn)樾盘?hào)不在您擁有的數(shù)據(jù)中。”

ABI Research的Su表示反對(duì)使用機(jī)器學(xué)習(xí)的論點(diǎn)之一是結(jié)果的概率性質(zhì)。它從來沒有像工業(yè)機(jī)器視覺中使用的常規(guī)基于規(guī)則的AI那樣清晰。

忽略重要細(xì)節(jié)

一家發(fā)動(dòng)機(jī)制造商希望預(yù)測何時(shí)需要更換零件。該公司擁有大量有關(guān)發(fā)動(dòng)機(jī)和發(fā)動(dòng)機(jī)故障的數(shù)據(jù)，但是所有數(shù)據(jù)都是實(shí)驗(yàn)室數(shù)據(jù)?，F(xiàn)場沒有運(yùn)行發(fā)動(dòng)機(jī)傳感器。因此，該模型實(shí)際上無法按預(yù)期部署。Forrester的Carlsson說：“在組織中，實(shí)際上沒有人監(jiān)督數(shù)據(jù)工程方面(機(jī)器學(xué)習(xí)方面)的所有不同事務(wù)。”

在技術(shù)能力和這些能力的ROI之間可能會(huì)丟失一些常識(shí)。例如，已經(jīng)建立了一些模型，可以為銷售人員推薦良好的客戶。問題是銷售人員已經(jīng)知道了這些帳戶。

無法理解機(jī)器學(xué)習(xí)“成功”的含義

外行對(duì)機(jī)器學(xué)習(xí)和AI的期望往往超出實(shí)際。盡管100%的精度看似合理，但在一些情況下，可以花大量時(shí)間和金錢再提高1%的精度。

(1) 上下文很重要

例如，當(dāng)某人的生命或自由受到威脅時(shí)，準(zhǔn)確度水平會(huì)有所不同，而某個(gè)百分比的人口可能會(huì)因某些事情而受到輕微冒犯。

“圍繞量化問題，有一種完整的思路，根據(jù)AI任務(wù)的性質(zhì)，可以合理地降低AI模型的精度，這是一個(gè)折衷方案，但前提是這需要在AI上進(jìn)行部署。邊緣設(shè)備”，ABI Research的Su說。“畢竟，我們的人通常不那么準(zhǔn)確。話雖如此，某些應(yīng)用程序，例如對(duì)象分類，缺陷檢查和裝配線上的質(zhì)量保證，確實(shí)有要求重復(fù)性的嚴(yán)格要求，而這正是傳統(tǒng)的基于規(guī)則的AI所在的地方。

(2) 可能是首選

弗雷斯特(Forrester)的卡爾森(Carlsson)說，每個(gè)人都可以創(chuàng)建一個(gè)模型，該模型幾乎可以產(chǎn)生99.99%的準(zhǔn)確性。預(yù)測恐怖主義就是一個(gè)例子。這種情況很少發(fā)生，因此如果該模型始終都沒有預(yù)測到恐怖主義，那么它將是一個(gè)非常準(zhǔn)確的模型。

(3) 未能輕易獲勝

科幻小說和廣告使人們相信，有些情況下，他們應(yīng)該在AI和機(jī)器學(xué)習(xí)方面做得非凡。

Carlsson說：“當(dāng)您說機(jī)器學(xué)習(xí)或AI時(shí)，人們會(huì)自動(dòng)認(rèn)為他們應(yīng)該去模仿人類的行為，而這往往會(huì)錯(cuò)過這項(xiàng)技術(shù)的巨大潛力。” “機(jī)器學(xué)習(xí)技術(shù)確實(shí)擅長大規(guī)模處理數(shù)據(jù)，并進(jìn)行我們?nèi)祟愓嬲膳碌拇笠?guī)模分析。”

[[320685]]

要記住的7個(gè)技巧

(1) 了解機(jī)器學(xué)習(xí)的功能和局限性，并在某種程度上了解適合不同技術(shù)的用例。這樣，您不太可能說出技術(shù)上不準(zhǔn)確的內(nèi)容。

(2) 一種機(jī)器學(xué)習(xí)技術(shù)并不適合所有情況。分類(例如識(shí)別貓和狗的圖片)不同于在數(shù)據(jù)中查找以前未發(fā)現(xiàn)的信號(hào)。

(3) 機(jī)器學(xué)習(xí)不是“一勞永逸”技術(shù)的集合。生產(chǎn)中的模型傾向于“漂移”，這意味著它們變得不太準(zhǔn)確。機(jī)器學(xué)習(xí)模型必須進(jìn)行調(diào)整和重新訓(xùn)練，以保持其準(zhǔn)確性。

Forrester的Carlsson表示：“在軟件開發(fā)中，人們對(duì)迭代的必要性有這種理解。” “當(dāng)涉及到依賴機(jī)器學(xué)習(xí)模型的應(yīng)用程序時(shí)，它們必須進(jìn)行更多的迭代，因?yàn)槟鷶?shù)據(jù)，實(shí)際業(yè)務(wù)和您串聯(lián)使用的方法。因?yàn)槲覀儾恢滥鷵碛心男?shù)據(jù)，或者您不知道該數(shù)據(jù)可以支持哪些業(yè)務(wù)場景，所以它確實(shí)固定在項(xiàng)目開始時(shí)。”

(4) 機(jī)器學(xué)習(xí)的準(zhǔn)確性與實(shí)際數(shù)據(jù)有關(guān)。除了考慮與潛在錯(cuò)誤相關(guān)的風(fēng)險(xiǎn)外，還應(yīng)了解隨著時(shí)間推移可能發(fā)生的變化。

Carlsson說：“ 50.1%的計(jì)算機(jī)視覺模型很棒?；蛘吣梢哉f60%或70%的精度比我們以前做的要好得多。”

(5) 上下文至關(guān)重要。無論上下文如何，人工智能和機(jī)器學(xué)習(xí)都無法獲得相同的結(jié)果。上下文確定了更好或更差的技術(shù)以及給定情況下可接受或不可接受的置信度。

上下文還與解決某個(gè)問題所需的數(shù)據(jù)以及偏差是可接受的還是不可接受的有關(guān)。例如，歧視通常被認(rèn)為是一件壞事，但是為什么銀行不會(huì)只向任何人貸款數(shù)百萬美元，這是可以理解的。

Su說：“在很多情況下，機(jī)器學(xué)習(xí)絕對(duì)不利于識(shí)別隱藏在數(shù)據(jù)中的過去偏差。在其他情況下，數(shù)據(jù)質(zhì)量很重要，例如像素?cái)?shù)，清晰的注釋和干凈的數(shù)據(jù)集。” 。

另一方面，如果數(shù)據(jù)錯(cuò)誤，則最干凈的數(shù)據(jù)將無濟(jì)于事。

“人們以為機(jī)器學(xué)習(xí)，甚至AI都將在數(shù)據(jù)不存在且行不通的情況下以某種方式做出神奇的事情。相反，人們假設(shè)只要我們擁有大量數(shù)據(jù)， Forrester的Carlsson說，我們將能夠做一些神奇的事情，而這通常都不成立。“在正確的事情上擁有不良質(zhì)量的數(shù)據(jù)實(shí)際上可以比在錯(cuò)誤的事情上擁有大量數(shù)據(jù)更好。”

(6) 了解機(jī)器學(xué)習(xí)是硬件和軟件的結(jié)合。具體來說，ABI Research的Su說，軟件功能將僅與硬件可以交付或旨在交付的能力一樣好。

(7) 傳統(tǒng)的基于規(guī)則的AI可能會(huì)與基于機(jī)器學(xué)習(xí)的AI并存相當(dāng)長的一段時(shí)間。蘇說，某些任務(wù)將繼續(xù)需要確定性的決策，而不是概率性的決策。