萬萬沒想到，枯燥的「機器學習」還能夠這樣學！

摘要： 5月末的一天中午，螞蟻AI平臺部的幾個PD同窗吃完老孃舅，在Z空間樓下遛彎。 期間，某同窗提到一則「小孩子由於雞毛蒜皮的小事，想不開而作出傻事」的新聞。 當你們在紛紛感嘆的時候，一位產品專家同窗形象地說了一句——這個孩子的「模型過擬合、泛化能力太差」。

5月末的一天中午，螞蟻AI平臺部的幾個PD同窗吃完老孃舅，在Z空間樓下遛彎。

期間，某同窗提到一則「小孩子由於雞毛蒜皮的小事，想不開而作出傻事」的新聞。

當你們在紛紛感嘆的時候，一位產品專家同窗形象地說了一句——這個孩子的「模型過擬合、泛化能力太差」。

這個比喻確實一針見血、入木三分啊！衆人均表示，以此悟性，該同窗「晉升研究員，入主組織部」就指日可待了！

的確如此，養尊處優（過擬合：overfitting）造成的脆弱心智（模型），在面臨真實世界當中的種種不如意時，每每不能正確地處理（預測不許、泛化能力差），從而很是容易釀成悲劇。

在機器學習當中，在訓練模型時，若是樣本太單一或者特徵選擇不當，就會出現過擬合。即把訓練樣本當中的特殊狀況，當成廣泛狀況。這樣，在面對新的樣本時，就沒法正確處理。

咱們常說的應試教育和素質教育，也有泛化能力的巨大差別。

應試教育成天讓學生作卷子、刷題庫，訓練出來模型過擬合、泛化能力差，就會出現「高分低能」的狀況。而素質教育則注重能力鍛鍊、比較多元化，訓練出來的模型泛化能力強，學生們未來在生活和工做方面都不會有太大的問題。

其實，若是你把人的成長與機器學習進行仔細比對，你就會發現，二者還有更多殊途同歸之妙。

一個嬰兒呱呱墜地，他天生就會具有一些能力（自帶算法庫），好比心跳、呼吸、哭、笑、恐懼等等。

這些能力，都是神奇的進化和偉大的基因帶給咱們的。不然，讓咱們從新掌握一遍這些技能那就太費勁了。

固然，爲了正常的生活，僅僅有這些自帶的初級算法和模型是還不夠，你還要不斷地掌握一些新的技能（自研算法）。

好比，吃飯、走路、說話等等。

要掌握這些技能，須要父母日復一日，年復一年，任勞任怨地反覆教咱們，訓練咱們咿呀學語、蹣跚學步。

這就像在機器學習中，須要足夠多的樣本（成千上萬），耗費不少計算資源，通過數分鐘甚至數小時、數天的持續訓練，才能得到一個模型。

其實，在人的大腦當中，不光有常年累月不斷訓練而掌握的技能（模型），還會有一些強規則。

這些規則，有些是父母教給咱們的，有的是社會道德規範、法律法規造成的 。

好比，父母會對小孩子說：「不要隨便吃陌生人給的食物」、「過馬路時要左右看」。

在生活當中，要尊老愛幼、禮尚往來，要遵紀守法、踐行社會主義核心價值觀等等。

對於這些規則，咱們記住，之後照作就好了。

因而可知，咱們的大腦就像一個決策中心或者決策中樞，其中包含了無數規則和模型

。每次決策，就是組合地使用這些規則和模型。

在實際的機器學習應用場景中，在各個業務線當中，也有各類各樣相似的「決策中心」，好比大安全的UCT、微貸的AGDS以及DecisionX這樣的「通用決策中心」。

這個決策中心，就包含了成百上千複雜的規則（或者稱爲「策略」）以及訓練獲得的模型。對於某一個，用策略and/or模型的組合來進行判斷和決策。

並且，每每是先判斷策略，若是不知足某個策略，那麼就直接給出決策。

隨着年齡的增加，除了吃喝拉撒這些基本技能，咱們的決策中心還須要掌握更多的技能，好比語文、數學、音樂、舞蹈、體育等等。

在這方面，常常會看到某些孩子「天賦異稟」，即系統自帶超牛的算法——他的爸媽給他遺傳了更好的算法。

不過，咱們普通人也不要氣餒，咱們能夠付出更多努力（大樣本），不斷刻意、刻苦地訓練（模型不斷retrain和演進），也能取得好的成績。

人生是場馬拉松，模型訓練也是如此。

相比之下，在這場馬拉松當中，在人生的不一樣年齡階段，咱們所使用的學習方法也不盡相同。

在小時候，咱們大多數採用的是有監督的機器學習。

好比，父母會拿着各類各樣的水果教咱們：「這是蘋果，這是桔子」。

動畫片和故事書常常告訴咱們：哪些是好人，哪些是壞人。

因而，咱們最經常使用的就是二分類算法：大/小、長/短、是/否、好/壞。

而長大之後，咱們遇到更多的是無監督或者半監督的學習，不少事物並不會帶着明確的是非對錯的標籤。

所以，咱們會用一些聚類算法。跟遇到的人通過一段時間熟悉後，纔會把他們分爲「講義氣」、「酒量大」、「會修電腦」、「愛吃老孃舅」等各個類別。

儘管學習的方法各異，但大道至簡、萬物相同。

咱們知道，一我的在某個方面有所成就，就很容易在其餘領域表現優異（遷移學習） 。

好比，愛因斯坦不只是傑出的科學家，他還精通小提琴。一個C語言高手，很快就能變身Java大拿。

固然，細究起來，人腦與機器學習也有很多差別。

好比，給小孩玩幾個玩具汽車、看幾張汽車圖片，他就會能認識許多造型各異、圖片風格迥異的汽車。

相比之下，要讓機器達到這樣看似簡單的能力，則須要須要數萬、數百萬的樣原本訓練。

幾年來，有關AutoML的一個研究方向，就是解決如何用少許的樣本完成模型的訓練。

此外，咱們發現，人類「下意識、一瞬間」能作的事情，對於人工智能來講卻很難。

好比，認識物體和人像（圖像識別能力）、喜怒哀樂的情緒以及行走奔跑的能力。究其緣由，仍是歸功於偉大的進化——咱們的這些模型，是經歷了億萬年的進化，通過了無數次地模型演進纔得到的。

反過來講，人類花很長時間才能作完的事情，對電腦來講卻易如反掌。例如，在短期內，對100萬個數字求和，或者把圓周率的精確到小數點後100萬位。

然而，要找到人腦和人工智能的能力差別背後的真實緣由，人類還有很長一段路要走。

儘管如今科技突飛猛進，儘管人們已經發明出了「深度神經網絡」來實現人工智能（深度學習），讓機器認識貓、下圍棋，但人類對本身大腦的運做機制仍然知之甚少。

能夠說，人們用本身那神奇的、原理尚不清楚（不可解釋） 的大腦，造出了種種機理尚不清楚（不可解釋）的模型。

也就是說，儘管你用深度學習訓練出了一個能夠識別貓的模型，但這個模型沒有可解釋性。即，你沒法說出這個你訓練出的這個牛逼的模型，到底是靠哪些特徵、哪些原則來識別出貓的。

人的心智，就是由無數個如此諱莫如深的模型以及清晰明瞭的規則組成。

人的一輩子，就是不斷迭代舊算法、retrain舊模型，研發新算法、訓練新模型的過程。

所謂「讀萬卷書、行萬里路、與萬人談」，這就是讓咱們掌握更多的算法，擁有更全面的樣本，從而訓練出更多樣的模型。

不過，惋惜的是，不像「長相、哭、笑」這類特徵或技能，人類的大部分模型並不能經過基因來遺傳給咱們的孩子。

好比，一個「精通Java/Python，擅debug、調core」的高級技術專家（P8），與一個「深諳用戶體驗和人性本質」的資深產品經理（P6）合體以後，繁衍的後代並不能天生就會寫碼或畫線框圖。

也就是說，你窮盡一輩子訓練出來的各色優雅的模型，有朝一日都會下線（模型下線）。

可是，並不要所以感到悲傷，人生原本就是一個體驗美好和精彩的過程。

人常說，活到老學到老，這樣的人生纔是完整的，纔是值得期待的。

總而言之，螞蟻金服AI平臺部匯聚了機器學習、大數據智能等領域的來自五湖四海、國內國外的衆多精英，部門的產品支持了螞蟻金服多個核心產品和業務。