機器學(xué)習(xí)的實現(xiàn)依賴于數(shù)據(jù)

　　大數(shù)據(jù)、分析、物聯(lián)網(wǎng)、云技術(shù)……最近的幾年里，沒有這些術(shù)語你就無法參與到關(guān)于科技的討論和對話中。它們已經(jīng)成了科技中主要的參與者，影響著商務(wù)的方方面面。變化似乎正在以極快的速度發(fā)生著，并且沒有減速的跡象。 如今，科技中唯一不變的就是變化本身了。不斷的變化需要不斷的創(chuàng)新，因此就需要引入更多的新技術(shù)。進(jìn)入科技話題的新技術(shù)之一是機器學(xué)習(xí)。加特納指出機器學(xué)習(xí)是2016年十大技術(shù)趨勢之一。毫無疑問這是一個熱點話題。

　　一切舊的又是新的

　　我發(fā)現(xiàn)有趣的是機器學(xué)習(xí)的基本原理可追溯到70年代和80年代早期的人工智能研究。當(dāng)時的工作受到計算機性能和數(shù)據(jù)利用量的限制。 突破這些約束是近年來機器學(xué)習(xí)取得飛躍性進(jìn)展的關(guān)鍵。計算周期和數(shù)據(jù)利用水平在幾十年前是無法想象的。

　　機器學(xué)習(xí)的目標(biāo)聽起來很簡單： 提供系統(tǒng)基于信息上學(xué)習(xí)的能力。盡管它聽起來簡單， 這是在挑戰(zhàn)經(jīng)典的軟件工程。大多數(shù)我們所熟悉的“硬編碼”軟件開發(fā)系統(tǒng)的行為都是基于計劃和預(yù)期的用戶數(shù)據(jù)交互。標(biāo)準(zhǔn)的“if – then – else”模型。

　　人工智能/機器學(xué)習(xí)的算法要求更為復(fù)雜。它們需要允許系統(tǒng)形成它自己以輸入為依據(jù)的分析模式。這些模式根據(jù)提供的信息不斷變化。以數(shù)據(jù)和這些模式為依據(jù)，行為被決定。正如你從描述中了解到的，這將導(dǎo)致非常不確定的行為。系統(tǒng)將會根據(jù)提供的信息分析，理解并做出反應(yīng)，根據(jù)更多的信息調(diào)整行為，然后提供反饋。分析和行為不斷的改變，隨著時間過去被改進(jìn)。想象一下進(jìn)行一個適合這個系統(tǒng)的測試?。磳⒂懻摰闹黝}）

　　你正享受著機器學(xué)習(xí)帶來的便利

　　你有網(wǎng)飛公司的賬戶嗎？亞馬遜呢？每次你登錄時，網(wǎng)飛和亞馬遜都給你提供一個推薦列表。這兩個公司都有非常復(fù)雜的，專有的算法。通過這些算法，就可以分析蘊含著你和所有其他成員交易的龐大的信息群。基于這些數(shù)據(jù)，他們建立了你的預(yù)期行為模型，并提出了一系列的建議給你。你對這些建議的反應(yīng)也被反饋到算法中，然后算法會不斷調(diào)整以適應(yīng)你的行為模式。

　　那你的智能手機呢？想一下“先生，今天天氣怎么樣？”這句簡單語句的復(fù)雜度。首先，軟件為了確定你實際說的話，需要識別你的語音，口音以及你說話的方式。如果這不是很確定，軟件要求確認(rèn)，它從你的確認(rèn)中學(xué)習(xí)。每次你使用語音識別的時候，你的手機會更好的理解你說了什么。一旦理解你說的話，它會將自然語言處理成有意義的語言到系統(tǒng)中。這又需要復(fù)雜的算法來分析語音信息，創(chuàng)建模型，然后在其翻譯結(jié)果上執(zhí)行指令。當(dāng)解析語音的時候，如果不是很確定，軟件會立馬提示確認(rèn)。你說話方式所用的模型以及你使用語言的上下文會給予系統(tǒng)反饋。

　　這都是數(shù)據(jù)在起作用

　　最近TechCrunch上的一篇文章， ‘創(chuàng)業(yè)公司如何在人工智能和機器學(xué)習(xí)領(lǐng)域中與企業(yè)競爭’ John Melas-Kyriazi 談到數(shù)據(jù)：‘’我們投入資源到訓(xùn)練機器學(xué)習(xí)模型中，它將創(chuàng)造巨大的網(wǎng)絡(luò)效應(yīng)。‘ 我發(fā)現(xiàn)一個非常恰當(dāng)?shù)谋扔?。?fù)雜的算法和模型是機器學(xué)習(xí)的引擎，但是如果沒有燃料，引擎-數(shù)據(jù)-不會很好地工作。我的一個同事，John Williams， （ Collaborative Consulting 的首席戰(zhàn)略官）多年來一直喜歡說，“這都是數(shù)據(jù)在起作用。”在機器學(xué)習(xí)的世界里再真實不過了。