ai的拼音？矮的拼音！

以下文章來源于智能化學(xué)習(xí)與思考 ，作者James Pei

導(dǎo)讀

這篇文章主要針對的是：希望更多了解AI基礎(chǔ)知識(shí)，又沒有太多時(shí)間和精力深入進(jìn)去；接觸很多AI知識(shí)都比較皮毛的朋友。

文章信息

本文作者：James Pei，某頭部AI公司總裁，公號「智能化學(xué)習(xí)與思考」。數(shù)字化企業(yè)經(jīng)授權(quán)發(fā)布！

大家對AI抱有很高熱情，也有很多想象，但沒法比較準(zhǔn)確地概括出AI，并做出一些判斷。以下知識(shí)可能是個(gè)很好的開始，不需要太多基礎(chǔ)，最多是高中數(shù)學(xué)就可以，只需要耐心地花上15-20分鐘，并跟著一起思考，相信對您加深對AI的理解會(huì)有一些幫助。

那么，我們開始：

機(jī)器學(xué)習(xí)主要價(jià)值就是學(xué)習(xí)一個(gè)經(jīng)驗(yàn)E，根據(jù)這個(gè)學(xué)習(xí)到的經(jīng)驗(yàn)E去執(zhí)行一個(gè)任務(wù)T，目標(biāo)是優(yōu)化執(zhí)行任務(wù)T的表現(xiàn)P。（此處讀幾遍，感覺感覺）

比如：在銀行，根據(jù)數(shù)據(jù)，AI學(xué)習(xí)客戶表現(xiàn)和客戶信用之間的關(guān)系，這個(gè)關(guān)系是經(jīng)驗(yàn)E；然后為每個(gè)客戶實(shí)時(shí)計(jì)算更準(zhǔn)確的信用卡額度，這個(gè)是任務(wù)T；目標(biāo)P是在一定風(fēng)險(xiǎn)承擔(dān)范圍內(nèi)，增加銀行信用卡收入。（因?yàn)橹耙坏肚械念~度變更準(zhǔn)則，遠(yuǎn)遠(yuǎn)不如AI指定的精細(xì)額度有效率。）

好了，了解了AI是干什么的，那AI是怎么干呢？

機(jī)器學(xué)習(xí)的基礎(chǔ)流程

具體流程如下圖，請大家明晰，這七步是在干什么，以什么邏輯和時(shí)間軸。后續(xù)的介紹將聚焦在其中一兩個(gè)步驟。但我們經(jīng)常混淆，比如混淆AI訓(xùn)練和AI執(zhí)行任務(wù)。

1. 1. 選擇算法。比如，剛才銀行的例子，我們先要對客戶進(jìn)行分類找到黑名單，這是分類算法，也要通過客戶行為預(yù)測他的額度水平，這是回歸算法。前篇對于Transformer的討論，就是一個(gè)最新的高級一些的算法。
2. 2. 準(zhǔn)備高質(zhì)量的數(shù)據(jù)，并進(jìn)行特征工程。通常這些要花費(fèi)很多時(shí)間，特別是工業(yè)界，往往沒有高質(zhì)量的數(shù)據(jù)。這里數(shù)據(jù)質(zhì)量有四個(gè)層面：一是絕對的數(shù)據(jù)量，這個(gè)好理解。二是樣本數(shù)據(jù)，比如，在銀行風(fēng)控領(lǐng)域，如果只是交易數(shù)據(jù)，那不是樣本，必須有真正的欺詐數(shù)據(jù)；比如，在設(shè)備管理領(lǐng)域，不但要有設(shè)備的運(yùn)行數(shù)據(jù)，還要有設(shè)備的故障數(shù)據(jù)，這樣機(jī)器才可以真正學(xué)習(xí)。三是數(shù)據(jù)的處理效率，對于AI真正有價(jià)值的往往是實(shí)時(shí)數(shù)據(jù)，這是發(fā)揮AI決策最大價(jià)值的關(guān)鍵。四是特征工程，只有數(shù)據(jù)是不夠的，要進(jìn)行處理，拿出機(jī)器可以理解而且有價(jià)值的特征才是根本。最簡單的例子就是男、女要分別改成0或1。特征工程是AI計(jì)算最重要的領(lǐng)域，整個(gè)深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)可以理解為就是在做數(shù)據(jù)的特征工程。
3. 3. 對數(shù)據(jù)用算法進(jìn)行訓(xùn)練。這個(gè)訓(xùn)練的過程才是讓機(jī)器有能力執(zhí)行任務(wù)的關(guān)鍵步驟，而且很多計(jì)算算法的邏輯也針對的這部分。我們講算力是決定性因素，也往往指訓(xùn)練階段的算力瓶頸。
4. 4. 訓(xùn)練結(jié)束一般還要做很多測試，確保這個(gè)經(jīng)驗(yàn)是能夠應(yīng)對多種情況，從而真正形成經(jīng)驗(yàn)E。
5. 5. 經(jīng)驗(yàn)E要用到生產(chǎn)系統(tǒng)，實(shí)時(shí)地執(zhí)行任務(wù)T。比如，上面例子中，我們核心任務(wù)是對每個(gè)用戶的信用額度動(dòng)態(tài)調(diào)整。
6. 6. 評估執(zhí)行表現(xiàn)。AI的表現(xiàn)相對于人工會(huì)提升多少，和計(jì)劃是否有偏差等。
7. 7. 持續(xù)優(yōu)化。這里的優(yōu)化是全方位的，既要更新算法，提高數(shù)據(jù)質(zhì)量，又要有更擬合的訓(xùn)練結(jié)果及更實(shí)時(shí)地執(zhí)行任務(wù)等。經(jīng)常聽客戶說，AI可能在我們這里落地效果不好。其實(shí)AI在哪里落地，剛開始時(shí)效果都不會(huì)好，真正讓AI起作用，是需要持續(xù)優(yōu)化。第四范式的很多AI驅(qū)動(dòng)的客戶，也把這一條當(dāng)做自己重要的核心競爭力，即持續(xù)迭代的能力。

機(jī)器學(xué)習(xí)的理論基礎(chǔ)

我們先從這個(gè)經(jīng)驗(yàn)E如何訓(xùn)練出來談起。

假設(shè)，這個(gè)經(jīng)驗(yàn)E可以抽象成一個(gè)線性關(guān)系（當(dāng)然現(xiàn)實(shí)世界不一定是簡單的線性關(guān)系，這里只是簡單化處理），即設(shè)Y=f(x)=wx+b，x是銀行數(shù)據(jù)（比如：還款逾期率），Y是信用額度。我們要學(xué)習(xí)的經(jīng)驗(yàn)E，就是學(xué)習(xí)這個(gè)f( )，這個(gè)概念很重要，建議停下來稍加理解。

要想得到f( )，需要先拿一些樣本（也就是我們事先知道一些x數(shù)據(jù)，以及對應(yīng)的y）進(jìn)行訓(xùn)練。

例如：

我們希望利用這些x到y(tǒng)的樣本，反推出f( ）這個(gè)線性函數(shù)。

如圖1：在還款逾期率這個(gè)x和信用卡額度y這個(gè)空間里，我們有個(gè)很多樣本，需要預(yù)測的是這條直線y=wx+b長什么樣。

我們可以給機(jī)器設(shè)置一個(gè)規(guī)定的步長，窮舉出很多y=wx+b。但應(yīng)該選擇哪個(gè)呢？這里要引入：成本函數(shù) J

成本函數(shù)的簡單定義：我們預(yù)測的直線到“每個(gè)樣本的距離之和”的平均值。

假設(shè)我們選定了一條直線或者說一個(gè)f（），那么在X(1) 給定情況下，y（1）是樣本對應(yīng)的數(shù)值，是f()得出的數(shù)值。M為樣本個(gè)數(shù)。

這個(gè)函數(shù)就是這條我們預(yù)測的直線到每個(gè)樣本的距離之和的平均值。即我們應(yīng)該找到一條直線，它距離每個(gè)樣本的平均距離最短。也就是對應(yīng)成本函數(shù)最低的那個(gè)。這里可能大家有些懵，我們梳理一下：

這里有幾個(gè)概念：真實(shí)世界發(fā)生的事件，被數(shù)據(jù)記錄下來，被記錄下來并拿來做樣本的，這三個(gè)層次是不是逐漸縮小了？再往后，我們訓(xùn)練產(chǎn)生一個(gè)y=wx+b，其目標(biāo)是利用樣本數(shù)據(jù)訓(xùn)練一個(gè)規(guī)律，從而可以預(yù)測真實(shí)世界。簡言之，第一件事是訓(xùn)練出很多y=wx+b，第二件是比較哪個(gè)y=wx+b更好，第三件是選出那個(gè)最好的。

在實(shí)際操作中，計(jì)算機(jī)會(huì)算出各種可能的f( )，并算出相對應(yīng)的成本函數(shù)，這個(gè)成本函數(shù)的取值就像圖3顯示的，是一個(gè)曲折的球面，機(jī)器利用規(guī)則在尋找那個(gè)山谷的最低點(diǎn)，也就是成本函數(shù)取值最小那個(gè)點(diǎn)，這個(gè)點(diǎn)所對應(yīng)的f()，就是我們要找到的那個(gè)。這種方法就是梯度下降。

因此，計(jì)算機(jī)學(xué)習(xí)經(jīng)驗(yàn)E的過程，就是給定一部分x，y數(shù)據(jù)（樣本），預(yù)測總體上f( )長什么樣。利用的方法就是通過梯度下降的方法，找到成本函數(shù)最低的那個(gè)f( )。

所謂梯度下降，其原理就是提前設(shè)置一個(gè)學(xué)習(xí)率。學(xué)習(xí)率是告訴計(jì)算機(jī)該以什么變動(dòng)頻率產(chǎn)生多個(gè)f( )用來比較。如果這個(gè)f( )是個(gè)線性方程，其中一個(gè)學(xué)習(xí)率就是這個(gè)斜率的變化。比如，機(jī)器預(yù)測這個(gè)方程式y(tǒng)=3x，如果學(xué)習(xí)率是0.1，那么下一個(gè)預(yù)測的就是y=3.1x。機(jī)器學(xué)習(xí)，就是這樣每得出一個(gè)方程，就計(jì)算一個(gè)相應(yīng)的成本函數(shù)，然后通過梯度逐步下降原則，找到成本函數(shù)最小的方程。

通過梯度下降計(jì)算后，選出最優(yōu)f( )，計(jì)算機(jī)就能夠完成任務(wù)T。在例子中就是，如果有新的還款逾期率數(shù)據(jù)，機(jī)器可以根據(jù)f( )預(yù)測相對應(yīng)的信用卡額度，從而給出更合理的銀行客戶信用額度，因此提升了銀行服務(wù)客戶效率，帶來了信用卡對應(yīng)收入的提高。

機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)——向量

剛才那個(gè)例子，X是還款逾期率，也就是說只有一個(gè)變量。但現(xiàn)實(shí)生活中，影響信用額度的不只是一個(gè)變量。還會(huì)有性別、年齡、地區(qū)、年薪、存款額、信用卡交易額、違約次數(shù)等諸多特征，如下表（圖4）。

圖4

表格中是兩個(gè)樣本，每個(gè)樣本都是一組數(shù)據(jù)，是銀行客戶的基本畫像以及交易行為。銀行客戶的信用卡額度應(yīng)該是這些信息綜合決定。

這里每一行數(shù)據(jù)，稱為一個(gè)向量；可以表示為：

每個(gè)向量里都包含了各種特征數(shù)據(jù)。

向量是高維空間的某個(gè)點(diǎn)，在這個(gè)例子中這個(gè)高維空間就是由這8個(gè)特征類別組成的高維空間。

相比較y=f(x)在二維，y=f( )我們需要在這個(gè)高維空間去計(jì)算。

這個(gè)從y=f(x)到y(tǒng)=f( )的轉(zhuǎn)換非常重要，是一定要理解的概念，整個(gè)AI的數(shù)學(xué)基礎(chǔ)都建立在最小的計(jì)算單元——向量上。

為什么要升到這個(gè)高維度來看數(shù)據(jù)？這里有個(gè)背景，就是我們希望數(shù)學(xué)公式盡量是線性方程，而不是多元方程；只有當(dāng)數(shù)據(jù)被放到一個(gè)非常大的維度中，數(shù)據(jù)才可以更容易呈現(xiàn)線性關(guān)系。

機(jī)器學(xué)習(xí)的進(jìn)階——神經(jīng)網(wǎng)絡(luò)

另外，在開始之前，有必要再介紹一下神經(jīng)網(wǎng)絡(luò)基礎(chǔ)概念

我們定義樣本數(shù)據(jù)：X(1) X(2) X(3) X(4)…X(i)

每個(gè)樣本數(shù)據(jù)都是一個(gè)個(gè)向量形式，一共i個(gè)樣本，

比如

即每個(gè)樣本有8個(gè)特征

如果我們把y=f( )換一個(gè)形式表達(dá)，就如下圖

即每個(gè)X(1)的向量特征值參與計(jì)算，最后通過梯度下降的方法優(yōu)化成本函數(shù)，得到f( )。

那么神經(jīng)網(wǎng)絡(luò)，就是在圖5這個(gè)計(jì)算基礎(chǔ)中間，加入了幾個(gè)隱藏層，如圖6就是加入三層隱藏層的神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的作用主要是進(jìn)一步提取新的特征，特別是那些隱藏的以及非線性的特征。

我們舉個(gè)例子，還是信用額度計(jì)算問題（見圖7），加入我們設(shè)計(jì)一層隱藏層，這個(gè)隱藏層對應(yīng)的四個(gè)節(jié)點(diǎn)，分別是掙錢能力、還錢能力、對銀行忠誠度、信用習(xí)慣，這四個(gè)特征是先前數(shù)據(jù)樣本里沒有提供的字段。這些節(jié)點(diǎn)要分別跟我們熟悉的八個(gè)特征逐一進(jìn)行計(jì)算，找出其相關(guān)性，從而得到一個(gè)更精準(zhǔn)的信用額度。

其中掙錢能力、還錢能力、對銀行的忠誠度、信用習(xí)慣是我們?yōu)榱吮阌诶斫舛藶樵O(shè)置的，現(xiàn)實(shí)中機(jī)器可以自動(dòng)計(jì)算出相應(yīng)的可能隱藏層。

在很多神經(jīng)網(wǎng)絡(luò)里，這個(gè)隱藏層數(shù)可以達(dá)到幾十層。某種意義上神經(jīng)網(wǎng)絡(luò)就是對數(shù)據(jù)原有特征的進(jìn)一步補(bǔ)充，找出那些隱藏在數(shù)據(jù)里非線性的相關(guān)性，作為新的特征加以計(jì)算，提升模型能力，可謂之深度學(xué)習(xí)。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)里面的一個(gè)分支，但目前在各行各業(yè)得到了廣泛的應(yīng)用。

簡要總結(jié)

講到這里，我們把機(jī)器學(xué)習(xí)的最基本概念做一個(gè)簡要總結(jié)：

① 機(jī)器學(xué)習(xí)基礎(chǔ)流程中我們要搞清楚什么是訓(xùn)練什么是執(zhí)行，另外“持續(xù)優(yōu)化”是重中之重；第四范式在這個(gè)層面上不斷掉坑不斷爬出來，有多年積累。未來企業(yè)的治理結(jié)構(gòu)里很可能會(huì)設(shè)置核心競爭力北極星指標(biāo)，并通過智能化加以實(shí)現(xiàn)；但真正的壁壘就是這個(gè)“持續(xù)優(yōu)化”。

② 機(jī)器學(xué)習(xí)的“訓(xùn)練”部分就是找到f( )，即成本函數(shù)按照梯度下降的方法找到最優(yōu)的f( )。大家理解了找f()，才能進(jìn)入各種算法討論。

③ 強(qiáng)調(diào)向量的概念。這里數(shù)學(xué)上的背景是，我們不希望總是處理多元方程或者叫非線性問題，往往把數(shù)據(jù)放到一個(gè)高維空間，總是可以找到線性關(guān)系，當(dāng)然這增加了非常大的計(jì)算壓力。這個(gè)高維空間的新世界，是我們一定要有概念的，雖然這有些反直覺，而且也沒有物理上映射。

④ 神經(jīng)網(wǎng)絡(luò)是在給定樣本，給定向量特征情況下，對數(shù)據(jù)特征進(jìn)一步的補(bǔ)充和強(qiáng)化。神經(jīng)網(wǎng)絡(luò)或者深度學(xué)習(xí)是未來的發(fā)展方向，不需要不明覺厲，但可能會(huì)越來越多地聽到。當(dāng)然只從特征強(qiáng)化的角度，解釋神經(jīng)網(wǎng)絡(luò)還是遠(yuǎn)遠(yuǎn)不夠的，但至少是個(gè)不錯(cuò)的開始。

這樣介紹AI其實(shí)很大膽，跟經(jīng)典教科書不太一樣，再次強(qiáng)調(diào)我是門外漢出身，只是學(xué)了一 點(diǎn)之后的經(jīng)驗(yàn)之談，會(huì)有很多錯(cuò)誤也一定不全面，也許半年后回過頭我會(huì)有不同的感悟和心得，到時(shí)再給大家補(bǔ)充。（本文完）