蚂蚁金服AI平台部：无聊的“机器学习”还能这么学！

阿里妹简介：机器学习是人工智能的核心之一，涉及概率论、统计学等复杂学科。对于非专业人士来说，这并不容易理解。近日，蚂蚁AI平台部的栢柠在散步中找到了讲解“机器学习”的关键，并用有趣的方式深入浅出地讲解了“机器学习”。下面我们就一起来学习一下吧！

本文中的沃伦·作者：专家·栢柠（朱百宁），蚂蚁金服AI平台部高级产品

5月下旬的一天中午，蚂蚁AI平台部的一些PD同学吃完饭就走了。下面在 Z 空间中。

这段时间，有同学提到“孩子们因为无法思考琐事而做傻事”的新闻。

就在大家感叹的时候，一位名叫专家的产品学生明确表示——这个男孩“模型拟合得很好，泛化能力非常棒”。

这个比喻真是太切中要害了！大家都表示，有了这个认识，离这位同学晋升为研究员、成为组织部门负责人就近了！

确实，因溺爱（过拟合） （模型）而形成的脆弱心灵往往在现实世界中无法得到纠正。处理（预测不准确，泛化能力差），可能会导致悲剧。

在机器学习中，训练模型时，如果样本太单一或者特征选择不正确，就会发生过拟合。即，将训练样本中的特殊条件视为一般条件。这样，当面对新的实例时，就无法正确处理。

我们常说的应试教育和素质教育在泛化能力上也有很大的区别。

应试教育要求学生全天写论文、复习题库。训练出来的模型会出现过拟合，泛化能力差，导致“分数高，能力低”。而素质教育则注重技能培养，内容相对多样化。训练出来的模型具有很强的泛化能力，所以学生在以后的生活和工作中不会出现很多问题。

其实，如果你仔细比较人类成长和机器学习，你会发现两者之间有很多共同点。

当婴儿出生时，它天生就具有一些能力（有算法库），例如心跳、呼吸、哭、笑、恐惧等。 奇迹般的进化和伟大的基因给我们带来了。否则的话，想要再次掌握这些技能将会非常困难。

当然，要想过上正常的生活，仅仅有这些基本的算法和模型是不够的。你要不断掌握一些新技能（自研算法）。

例如吃饭、走路、说话等。

要掌握这些技能，父母必须孜孜不倦地、日复一日、年复一年地教我们，训练我们牙牙学语和走路。

这就像机器学习一样，需要足够的样本（数万），消耗大量的计算资源，需要持续训练几分钟甚至几小时、几天才能得到模型。

其实，在人的大脑中，不仅有长年累月不断训练掌握的技能（模型），还有一些强大的规则。

这些规则有的是父母教给我们的，有的是社会规范、法律、道德规则形成的。

例如，父母会告诉孩子：“不要只吃陌生人给你的食物”、“过马路时左看右看”。

在生活中，我们要尊老爱幼，讲礼貌，遵守规章制度，践行社会主义核心价值观等。 。

可见，我们的大脑就像一个决策中心或决策中心，里面包含着无数的规则和模型❀。每次做出决定时，您都会结合使用这些规则和模型。

在机器学习应用场景中，存在着各种不同业务线类似的“决策中心”，比如大安全的UCT、小贷的AGDS，以及DecisionX这样的“通用决策中心”。

这个决策中心包含数百个复杂的规则（或“策略”）和经过训练的模型。具体来说，就是使用策略和/或模型的组合来进行决策和决定。

此外，通常会首先评估该策略。如果某个策略不满足，则立即做出决定。

随着年龄的增长，决策中枢除了要掌握吃喝玩乐等基本技能外，还要掌握其他技能，比如语文、数学、音乐、舞蹈、体育等。

在这方面，经常看到一些孩子“有天赋”，那就是系统配备了更优越的算法——他们的父母给了他们更好的算法。

不过，我们普通人也不要着急。我们可以多尝试（大样本），继续刻意刻苦地训练（模型不断训练和进化），也能得到好的结果。

人生是一场马拉松，模型训练也是一场马拉松。

不同的是，在这场马拉松中，在人生的不同年龄段，我们采用不同的学习方法。

当我们还是孩子的时候，我们大多数人都使用机器学习和监督。

例如，我们的父母会教我们使用不同的水果：“这是苹果，这是橙子。”

动画片和故事书经常讲：谁是好人，谁是坏人。

所以，最常用的是两种分类算法：大/小，长/短，是/否，好/坏。

当我们长大后，我们会遇到更多无监督的或半监督的学习。很多事情并没有明确的对错标签。

因此，我们将使用一些聚类算法。在熟悉了一段时间遇到的人后，你会将他们分类为“忠诚者”、“饮酒者”、“电脑修理工”、“吃老叔叔”等类别。

虽然学习方法不同，但道理很简单，都是一样的。

我们知道，在一个领域取得成功的人可以轻松地在另一个领域取得成功（迁移学习）。

例如，爱因斯坦不仅是一位杰出的科学家，他的小提琴拉得也很好。 C语言高手可以很快成为Java高手。

当然，如果仔细观察的话，人脑和机器学习之间还是有很多区别的。

例如，如果一个孩子玩一些玩具车并看到一些汽车的图片，他将能够识别许多具有不同形状和图片风格的汽车。

相反，机器要获得看似简单的能力，需要数万甚至数百万个样本进行训练。

过去几年，AutoML的研究方向之一就是解决如何用很少的样本完成模型训练。

另外，我们发现人类能做到“无意识地、在当下”对于人工智能来说是非常困难的。

例如识别物体和人的能力（图像识别能力），喜怒哀乐的情绪，行走和奔跑的能力。原因就在于伟大的进化——我们的模型是经过亿万年的进化，无数的模型进化才得到的。

相反， 人类需要很长时间才能完成的事情对于计算机来说却很容易。比如短时间内100万个数字的求和，或者圆周率计算到小数点后100万位。

然而，人类要找到人脑与人工智能能力差异背后的真正原因，还有很长的路要走。

虽然科技日新月异，尽管人们发明了“深度神经网络”来实现人工智能（深度学习）♷识别和玩机器。 ，但人类大脑的工作原理仍然知之甚少。

可以说，人们用原理不明确（无法解释）的神奇大脑，创造出了各种机制至今还不清楚（无法解释）的模型。

也就是说，即使你用深度学习训练了一个可以识别猫的模型，这个模型也不具备可解释性。也就是说，您无法定义这个经过训练来识别猫的令人惊叹的模型的特征和原理。

人类的思维是由模糊的模型和清晰明显的规则组成的。

人类的生活是一个不断重复旧算法、重新训练旧模型、开发新算法、训练新模型的连续过程。

所谓“读一千本书，行一千里路，谈一千个人”，就是我们可以掌握更多的算法，有更完整的例子，从而可以训练更多样的模型。

然而，不幸的是，与“看、哭、笑”等特征或技能不同，许多人类模型无法通过基因遗传给我们的孩子。

比如，“精通Java/Python，善于调试调优核心”的高级技术专家（P8）加入“懂用户体验、懂人性”的高级产品经理（P6）之后，下一代的结果并不是天生就具有代码或线框功能。

也就是说，你生活中训练出来的各种优雅模型将会下线（离线模型）。

不过，不要为此感到难过。人生就是一个体验美丽和快乐的过程。

人们常说人生是完整的、值得期待的。

总之，蚂蚁金服AI平台部聚集了来自国内外机器学习、大数据智能等领域的众多精英。该部门的产品支撑着蚂蚁金服的诸多核心产品和业务。