机器学习的时代来临，人类应该做点什么？

机器学习的时代来临，人类应该做点什么？

文章摘要：

近年来，机器学习技术得到飞速的发展，虽然很多人怀疑其有效性，或者害怕未来可能会影响到人类的发展。但是目前还不用过度的担心，而且国外已很多创业公司已将其商业化。机器

很多人对《终结者》系列电影都有着很深的印象，在电影中出现的机械人T-800就是人工智能技术的反面样板工程，T-800没有情感，没有知觉，更不知何为恐惧，它被制造出来得唯一目的就是完成即定的任务，其中央处理器为学习型，可以储存几乎无限的数据与资料。虽然在这部电影中，只是虚构出一个被机器统治世界的场景，但在现实生活中，很多人也担心这一天会到来，所以反对机器人的发展计划。 

近来来，机器学习技术得到飞速的发展，虽然很多人怀疑其有效性，或者害怕未来可能会影响到人类的发展，但是目前还不用过度的担心。尤其是机器学习在数据挖掘和分析领域已经展示出自己强大的能力，而且远远超越了传统的数据分析方法，很多高科技公司如谷歌、亚马逊、LinkedIn以及Pandora都围绕机器学习建立了自己的业务。 

除了这些大公司之外，很多初创公司也在机器学习领域进行了探索。在今年7月16日，Hadoop领军公司之一的Cloudera收购了机器学习创业公司Myrrix，它是一个实时的、可扩展的集群和推荐系统，从Apache Mahout项目演变而来。另一家机器学习的创业公司Ayasdi，也在当天日宣布获得了3060万美元的B轮融资，该公司使用一项称为拓扑数据分析的技术，创建有视觉震撼力的视图，帮助客户为产品进行分类。 

CSDN也曾经总结了5家试图将机器学习简单化的创业公司： 

Alpine data Labs：Greenplum的子公司（EMC是其投资者之一），主要研究方向是预测分析，其软件可以嵌入到公司内部的数据存储中（无论是Hadoop还是其它任意流行的数据库）。通过绘制流程图，用户可以对数据进行分析。 

Context Relevant：Context Relevant通过一个预先包装好的算法库，可以在数秒内为用户数据建立预测模型，主要用于反欺骗、客户流失以及其它的经典预测分析用例。其创始人兼CEO Stephen Purpura说：“只要会用Excel，就能很好的使用我们的产品”。 

Datameer：几年前，Datameer为Hadoop分析开发了一个电子表格界面，目前，这个电子表格中已添加了数百个功能。在3.0版本中，通过预置的机器学习算法，用户只需点击几次鼠标就可以建立集群和列依赖。 

Skytree：Skytree的主要产品是一些大型的企业级机器学习软件，但是它们也推出了一个针对小型用户的产品Adviser，目前还是测试版。它是一个桌面应用程序，可以方便地连接到网络、本地或数据源，用户可以选择算法库以及输出样式。 

Wise.io：Wise.io的计划是将其创始人作为天文学研究人员的经验应用到商业领域。Wise.io的产品是一个直观、易于使用的机器学习平台，几个简单的点击就可以建立和部署模型，而且很快。联合创始人Joshua Bloom曾说某客户在使用其产品后，分析TB级大小的传感数据所用时间从300个小时减少到了20分钟。 

还有前谷歌首席信息官及工程副总裁Douglas Merrill和Capital One公司前主管Shawn Budde联合创立的ZestFinance，这是一家位于洛杉矶的初创公司，他们使用机器学习的方式来评估个人贷款的信贷风险指数。在ZestFinance的分析模型中大约有70000个变量，然后使用一些机器学习算法进行分析。一旦机器承接了大部分的工作，那么工作人员只需要根据分析结果进行一些逻辑分析和判断。总之，ZestFinance声称这种方式比传统的衡量模型提升了60％的效率，更重要的是，还款率也比传统的方法高出了90％。 而且70000多个变量，人类并不适合也不能完成如此庞大的数据集计算。 

其实机器最独特的能力在于：独立的评估模式，以及可以从更广泛的数据集之中得到结果，而传统的分析工具很难做到这点。机器学习帮助企业省却了时间密集型的人工处理过程，这就可以让企业更充分地利用数据采集技术，部署更便宜的存储、计算能力和分布式数据库技术。在这个时代，所有这些都是至关重要，因为数据每两年就要增加一倍！ 

尽管有很多的优势，机器学习的概念仍然很容易引发原始的恐惧和不信任。因此，如果你想在机器学习的业务上有所建树，还应当谨慎，参考方法如下： 

分析企业的环境

企业文化影响机器学习业务的成功与否。贵公司是技术趋势的先行者，还是保守者？竞争也是一个很好的激励因素，在同行业中，是否有使用机器学习让业务大步发展的公司？如果他们已经通过机器学习技术实现了盈利，这个压力就会迫使企业重新定义发展方向。

如果高层领导有任何新举措，总是会有所帮助。也不要在乎他的title——可以是CTO，可以是一个领域内的专家。他们只需要有一个愿景和一个需要解决的问题就行了。最后，看看公司是否拥有配套的基础设施来支持机器学习。

让更多人认识到：机器学习并不会减少工作岗位

很多人担心，机器学习技术将意味着工作岗位会大幅削减——自己的或者别人的，这绝对是一个错误的想法！这就像增加一个新雇员，机器学习有助于提高生产力，只是可能会改变一些工作的模式。与其担心机器学习会带来不好的影响，还不如在这个新兴的领域中学习一下，说不定未来自己也能成为机器学习领域的专家。

和机器一起工作 
诚然，很多人都不愿意让机器来做分析、做决策并去执行。所以早期的工作的项目重点，就是要先建立信任： 

从小事做起，来证明机器学习的价值：找到一个特定的、可解决的业务问题，它能够很好地响应数据驱动的方法，然后通过测试和误差分析来不断地改进算法，积累在技术层面的信任。 

人工检查处理的结果，然后验证机器的结论：将机器学习算法的信心水平制成晴雨表，如果达到90％的置信水平，可能就不再需要人工的干预了。 

创建一个验证反馈的环路：机器学习的价值之一就是会产生不可预知的洞察力，虽然有时会难以接受这它不反直觉的发现。例如，在检查库存管理系统时，发现它想订购400件衬衫，但是直觉告诉你不需要。那就认真检查一下，看看是否真的有这种需求，如果有，那么机器就是正确的，以后也就更容易相信机器给出的建议。 

定义关键绩效指标（KPI）来衡量，并使用它来严格测试机器学习的成果：这些数字不仅能够给人带来信心，同样也能促使机器学习算法的不断完善。 

现在机器学习越来越受到大家关注，很多人对机器学习的印象可能都是实验室中大量晦涩难懂的理论和数据分析，其实国外已经有很多创业公司将其实现了商业化。至少，目前的机器学习还不能威胁到人类的生存，如果它还能推动科技的进步，那么为什么不好好利用呢？
www.huavee.com