面对到处兜售的“AI”和“机械进修”7条原则帮你识破骗局

图源：unsplash

作为新晋风口“AI”和“机器学习”，无论是商业领导人、创业者、天使投资人、企业中层管理职员、黑客马拉松的裁判还是“技能”干系职员，都有可能面对这种情形：有人试图“推销”他们的“AI产品”、“机器学习软件”或者其他时髦词汇的花哨组合。

如果陷入这样的田地，有时你会感到专业知识不敷，无法妥善决策。

坚守阵地，不要被吓倒了！
以下七条知识可以帮你从捕捉旗子暗记，看穿夸夸其谈的说辞，看破骗局和谎话。

1.“我们用AI来…”

爱因斯坦说“不能简明地阐明一件事,解释你对它懂得不足多。
”

如果有人说到“AI”这一包罗万象的观点，请小心，这有可能是花哨的推销。
当然啦，也有可能是真的为了避免顾客烦心，因此省略了令人痛楚的繁芜细节。

可以先假定他们无罪，但是要深挖细节，多理解一下详细利用了哪个机器学习模型，并让他们通过类比阐明。

你可以问问他们这些问题：

1. 为什么选择这一方案，不选其他方案？

2. 为什么对付这些数据，这个方案赛过其他方案？

3. 是否有人办理过类似的问题？如果有，他们采取了什么方法？

4. 有试过别的方法（模型/算法/技能）吗？结果与现在的方案有什么不同？（如果可以的话，哀求供应图表作为证据）

只管没必要一开始就明白所有问题的答案，但是我们该当问问题，尽可能地弄清楚、搞明白。
笔者还没有碰着过哪个机器学习观点是无法用类比阐明的。
因此，如果以为评论辩论太多技能细节太过困难，就哀求进一步的阐明。
这样仔细的审查不仅能加深理解，也能展示该方案的思路。

2.无用输入，无用输出

图源：https://media.tenor.com

“除了上帝，我只相信（优质）数据。
”——爱德华兹戴明

只有优质的数据，才能得到精良的模型。
因此，你应确认用于演习机器学习模型的数据质量。
虽然“质量”难以定义，但有一个大略的方法可以理解演习数据的质量，问问他：与模型在“现实天下”处理的数据比较，演习数据的相似度和代表性如何？

无论一个机器学习模型有多花哨、多前沿，如果用于演习的数据质量堪忧，结果一定极其糟糕。

3.适者生存

上世纪90年代到本世纪初，电子收件箱的垃圾邮件过滤器会探求拼写缺点和其他明显的迹象，自动将垃圾邮件放入垃圾邮件文件夹。

现在，垃圾邮件制造者变得更聪明了，垃圾邮件也越来越难检测了。
现在的电子邮件做事商必须适应这一趋势，采取更精密的机器学习模型，准确识别垃圾邮件。

图源：unsplash

有一点我们必须明白：随着时期变革以及输入数据迭代，机器学习模型是否能够无障碍地用新数据重新演习，或者用更出色的模型替代。
这很主要，顾客该当知道他们购买的方案是否有“有效期”。

4.用精确的标准衡量精确的东西

图源：unsplash

衡量机器学习模型的分类性能标准当中，准确性是非常常见的标准。
例如，对付分类猫和狗图片的机器学习模型来说，96%的准确率可以说非常出色。
这意味着在100张猫和狗的图片中，模型能够准确地猜出个中96张。

现在，假设某银行将同样的标准运用于对敲诈交易的识别。
敲诈识别器可以轻松达到96%的准确率，由于敲诈交易十分罕见。
然而识别敲诈交易并不是96%的精确识别就足够了，而是要降落出错率，缺点识别4%的敲诈交易会带来很大的危害。

对付银行敲诈的例子来说，假负率比准确率更能反响模型的性能。
根据不同问题的哀求，可以用其他的标准替代准确率，比如精确率、召回率、特异性和F1值等。
你必须把稳他是否利用精确的指标，如果可能的话，可以利用多种指标。

5.更多，更多，更多！

一样平常来说，在其他条件不变的情形下，用于演习的数据越多，模型的表现就越好，深度学习模型尤其如此。
它就好比备考SAT的高中生，如果做了大量的练习，练习了各种各样的问题，就更有可能在SAT考试中取得好成绩。

图源：unsplash

得到（足够）数据之前就形成理论是一个重大的缺点。
主要的是，确保任何机器学习模型都有足够的数据用于演习。
多少数据才算够呢？多多益善！
空想情形下，数据该当来源可靠，而且必须物尽其用。

6.可阐明性

在机器学习中，每每须要在追求卓越模型性能和简要阐明模型运行之间保持平衡，低性能模型尤其如此。
一样平常来说，对付繁芜的数据，模型越精密、越繁芜就越好。
然而，由于这些模型更加繁芜，阐明输入数据对输出结果的影响也就更加困难。

举个例子，假设要用非常繁芜的机器学习模型预测某产品的销量。
输入模型的数据是电视、报纸和广播的广告开支。
这个繁芜模型能够给出非常准确的销量预测，但是无法阐明这3种推广渠道，即电视、广播和报纸，哪个对销量的影响最大、哪个更值得投入。

另一方面，更大略的模型可能结果没有那么准确，但是能够阐明哪个渠道更值得投入。
顾客必须有平衡模型性能和可阐明性的意识。
这很主要，由于如何在可阐明性和性能之间取得平衡取决于目的，因此利用模型的人必须做出决定。

7.那么…你有什么优点和缺陷？

图源：https://i2.wp.com

这是企业口试时常问的问题。
在评估机器学习方案时，优缺陷问题非常有用。
如果有人推举某个机器学习方案，一定要问问他们这个方案的局限性：

1. 采取这一方案是否利大于弊？

2. 该方案的局限性将来是否会影响其性能？

成功的关键在于理解自身弱点并成功地填补弱点。
缺少这一能力的人总是失落败。
站在采取高效、可持续的机器学习方案的角度来说，理解其局限性对付其成功至关主要。

不仅如此，哀求推举者解释方案的局限性也能反响透明度的问题。
这反响出推举这一方案的人考虑有多细致、是否值得信赖。

如你所见，看破谎话的关键之处便是不要慌张，大胆提问吧！
讯问、澄清、仔细审查所有不愿定的东西。
依赖这7条建议，你可以强化理解并全面评估机器学习方案。
答不上来这些问题的推销者们，还烦懑快现身！

留言点赞关注

我们一起分享AI学习与发展的干货

如转载，请后台留言，遵守转载规范