在我們目前有關機器學習的所有討論中，常常會忘記重要的一點：由于真正的機器學習應該是隱藏在后臺，所以基于機器學習所采取的行為應該成為技術有效性的關鍵指標。

 

機器智能不僅可以預測故障，而且由此可以防止若干次故障的發生。機器智能不僅可以基于呼叫流量來檢測API結構，而且還清楚增加構建了多少個API。機器智能不僅可以識別物體，而且可以防止發生若干次的事故。我想你已明白這一點了。可以說，機器智能的真正衡量標準不是準確性和損失(這是一些深度學習傾向選擇的測量標準)，而是其對結果的影響。

 

我們在從學習模型發展到對結果產生影響的過程中存在兩個問題。其一，開發人員所構建的應用程序需要衡量該模型對其結果的影響。其次，他們需要通過輕松整合學習模型來快速構建可影響結果的應用程序。

 

我們先來看看衡量問題。

 

假設您正在為一款自動駕駛汽車設計新的視覺模型。唯一重要的事情是，這個更好的模型是否有助于降低事故發生，而并非模型本身是否能夠更好或更快地識別物體。

 

盡管存在很多挑戰，但事故畢竟屬于偶發事件(這是件好事)，衡量偶發事件的結果有效性并不容易(這是一件壞事)，而且還有存在其他困難。避免事故是一個多變量的問題，而一些變量(比如你的模型)是在你的控制之內。還有其他變量(比如其他車輛的行駛狀態、雨天或建筑物)都不在你的可控范圍。利用貝葉斯技術、多臂賭博機方法、A/B方法等等，都是可以很好衡量和掌握結果的第一步，但這還不夠。

 

現在讓我們來看看第二個問題：構建可進行學習和適應的應用程序，以及如何讓衡量問題融入到應用程序中。

 

構建學習應用程序與構建機器學習模型不同。這是因為應用程序開發領域和機器學習領域不同，很少有跨越這兩個領域的工程師。

 

機器學習領域的人員傾向于以他們認為會影響這些模型的任何輸入量來構建模型，并且他們始終需要干凈的輸入向量(所有輸入量必須相同大小、標準化、規范化等)。因此，如果消費傾向模型是建立在過去的顧客行為和產品相似性的基礎之上，但是另一個變量(如天氣)也會對消費傾向產生影響，那么該模型就不會很理想：它未考慮天氣因素，即使應用程序員使用了天氣信息(通常只需要一個API)，但并未將其包含到模型中。對機器學習工程師的需求和應用程序開發人員的需求并不完全一致。

 

事實上，從混亂的現實世界數據轉變為模型所需要的干凈的輸入量，這通常是一條陡峭的曲線。的確，Panda庫可使用Python語言編寫，但如果應用程序是用Java編寫的，那么應用程序開發人員如何正確處理呢?

 

那么我們如何克服這些挑戰?當兩個世界相隔甚遠時，唯一的解決辦法就是讓這兩個世界相互靠近。

 

機器學習變得越來越簡單，而且這一趨勢還會繼續。在“學會學習”模型領域，機器學習技術取得了一些非凡的進步 – 開發出可以探索不同空間和不同類型模型的算法。阿爾法狗(AlphaGo)使用了其中的一些技術來贏得人機圍棋對抗的比賽。這些機器學習的簡單化不僅會鼓勵更多人去構建機器學習模型(幫助解決關鍵技能問題)，還會催生出更容易使用的模型。

 

但是構建應用程序的范例和應用程序編程人員都需要更加以數據為導向，并且要更注重結果。他們不需要遵循規則進行編程，而是要通過預測進行編程。他們需要更多以API驅動來訪問其控制范圍之外的系統(無論是從第三方獲取天氣信息，還是從企業內部其他團隊設計的模型所得的預測結果)。他們需要一些有關機器學習的核心教育，以作為從事應用程序員工作的先決條件。

 

在未來五年，機器學習可能會起到越來越大的作用。但最重要的衡量標準將是機器學習對改善結果所產生的影響。

 

要做到這一點，應用程序必須吸收機器學習技術。為了實現這一點，機器學習和應用程序之間的缺口必須縮小。更新的機器學習技術、更好的編程技術和更多以數據驅動的技能應該會有所作為，而更好的工具將結果與核心模型相關聯也會有所作為。

 

隨著這些方面都協調一致后，擁有機器智能成果的未來將是非常光明的。

 

版權聲明：本文為企業網D1Net編譯，轉載需注明出處為：企業網D1Net，如果不注明出處，企業網D1Net將保留追究其法律責任的權利。