AI&BI

今天上班的时候，业务跟我打了一个电话，问我明细账的报表可否做成AS的，用起来比较方便，当时在处理测试中出现的问题，大概想了一下，好像也没有什么不可以。

后来开会的时候没事就想了一下，既然用户觉得AS用起来方便，之前也肯定有提过，但是为什么这么久没有给做呢。后来一想，貌似来公司之后（才来不久）做的AS报表一直都是汇总、历史报表，这和明细账又有什么区别呢，汇总减小了很大的数据量，历史报表取数是固定的期间，只需要刷一次模型就可以。明细账这类数据量大，经常需要刷新的报表，性能会是一个很大的瓶颈。突然想起来前一阵历史报表出现过几个类似的问题，后来说是采用2G模式刷新解决了，这个东西不是很懂，估计大概就是增加了硬件吧，但是今后的数据肯定是越来越大，今天用2G，以后4G, 8G，又过一阵嫌速度慢，又增加CPU？ 这到底能解决多长时间的问题？ 公司里总是叫嚣这大数据怎么样怎么样，数据增加必然会带来很多好处，但是如果一直靠增加硬件来解决数据的问题，而不改变使用的方式，最终会不会出现的瘫痪的那一天？ 公司现在推行的云计算这种更偏向商业化的模式是不是根本解决的方案？ 想起当时读书的时候，小时候对机器人什么挺感兴趣，于是读研的时候选择了一个跟AI比较接近的方向。一开始觉得这东西特别神秘，后来不得不承认计算机还得学数学的来，大多数学习算法都在解决损失最小啊概率最大啊的问题，那一堆堆的证明，让人无法直视，瞬间觉得自己什么都不会。。。。当然落，我们这种水货看得一知半解，然后会用各种工具混个毕业也差不多够了。年轻的时候总是有闯劲，虽然很难，但是还是想搞出点东西来的。一开始看书，后来看论文，有中文的英文的，中文的论文就不评论了，很多论文中提到的AI方法都是在以前的方法上加以改进，级别太高的显然我玩不来，级别一般的多数是各种模型方法的叠加合并或多次迭代。后来尝试做了一些实验，多个模型的叠加比单个模型确实能好一点，从概率学上也很好解释，假设每个模型的正确概率0.8，那我用3个不同模型投票，只有2个以上的模型错误才会错误，具体的概率就不算了。一开始在少量数据集上玩，感觉还可以，后来数据量大了，就发现问题了，越来越慢。后来就开始思考，这究竟是不是我想搞的AI。

在我的理解中，仅仅一个数学概率模型离真正的AI的还遥遥无期。所谓智能，最终肯定需要有一个独立的意识。按照概率学计算出来的各种判断最终能不能进化出意识呢？读了一半的时候，深度学习什么开始火起来，读过几篇论文，也看过的几段源码，当时的感觉就是一个复杂的神经网络，不过从各种说法来看，貌似已经慢慢接近人类的常规思维模式了。但是当时依然觉得有问题的是，和常规的AI方式类似，每次学习过程都需要在完整的数据集上进行。正如今天上班时遇到的问题了，AS报表事实上是提供了增量的刷新模式的，但这种增量建立在原有数据不进行修改，新增数据又不能重复的基础上。AI学习中，也有关于增量学习的一些研究，但是好像都不够深入。深度学习在类人思考方式上进行了改进，却没有很好的模拟人类的学习过程。举个例子吧，假设你在追生活大爆炸，好久没有看了。。。我想一般不会有人再看每一季的时候都需要从第一季第一集重新开始看起吧。这种增量的学习模式才是人类的学习方式，其中很重要的一点就是把数据转化为知识存储在大脑里面，当然也会出现记忆不清就需要去查询确认的情况。由于能力有限，一直也没有YY明白，这种学习方式应该怎么来做，渐渐发现自己估计不是做这个的料，以至于后来毕业找工作果断放弃了原来的方向。

万万没想到，现在又跳进了这个坑里面来了，感觉前景一片迷茫。。。