機器學習是萬能的嗎？AI落地有哪些先決條件？
https://mp.weixin.qq.com/s/9rNY2YA3BMpoY8NQ_rVIjQ
1.引言
入門機器學習或從事其相關工作前，不知道你思考過如下2個問題嗎：
- 1) 機器學習是萬能的嗎？
- 2) 工業界要想盡可能落地機器學習，需要滿足哪些先決條件？
這段時間，有幸聆聽了幾場大牛報告，一位是第四正規化，目前工業界應用AI經驗最豐富的之一，曾經在百度與吳恩達共同推進AI在工業界的落地；另一位來自學術界，新加坡國立大學的，最近剛拿到兩個專案，合計一共1.5億人民幣。聽智者說，強於讀萬卷書！今天結合他們的報告，在這裡總結與大家一起分享，他們的報告實際上完美地解決了以上兩個問題。
2.機器學習是萬能的嗎？
機器學習包括深度學習嗎？當然。機器學習是當前最火的人工智慧領域的主要子領域之一，它真的是一項革命性的技術創造，記得曾有人說，AI的興起可以把之前所有的問題再重新研究一遍，足以可見它巨大的創造力，有可能顛覆某項領域的現有技術 ……
那麼，人們不禁會問機器學習可以解決一切問題嗎，如果是這樣，所有國家的科學家去深入研究AI理論，工業界的大牛去將這些理論落地，一場革命誕生。
真的是這樣嗎？下面引用新加坡國立的這位教授舉的例子來說明這個問題。
電商行業倉庫選址是一個很重要的問題，設計良好的選址方案，可以為公司節省億級的物流成本。為了使用機器學習的技術，先從全國各地選取建倉的資料，模型考慮了幾百個特徵(包括時間刻畫等多個維度)，是一個有監督學習任務，訓練好模型後，再輸入要預測的建倉地區的相關資料到模型中，最後決策一個得分最高的建倉位置。
就在建倉1個月後，當地政府決定重新優化當地的路網系統，施工開始不久，建倉的物流成本每日劇增，公司不得不決定重新再在當地其他位置選址建倉。等再拿原來的模型預測選址方案時，發現缺少大量的最新路網下的交通資料，模型變為無米之炊，機器學習模型此時無能為力。
後來，新加坡政府找到了國立大學的這位教授，他們團隊擅長做模擬優化，模型不是基於歷史資料去做預測，所以，很快他們拿模擬系統預測出選址的方案，然後建倉地址根據模擬結果投入建設，很快物流成本降低。
由此可見，機器學習模型是基於已發生的資料做出的預測模型，一旦出現某些異常情況，導致資料不再遵循原來的規律時，預測就會變得不準確，並且因為缺失最新狀況下的資料，最後只能輔助於模擬優化方法解決問題。
機器學習是基於過去的預測，模擬是基於未來的預測。
機器學習和模擬優化結合才是解決問題的最全面方法論。
3. 機器學習落地，先決條件有哪些？
第四正規化工業界應用AI落地的大牛，總結了以下幾個主要因素：
1)問題的定義、邊界要明確清晰。AlphaGo做的是圍棋遊戲，遊戲是在 19×19 的棋盤上，黑、白兩方輪流下子。這個問題可以說是定義得非常封閉清晰了，但是，如果變成一個開放的問題，變成 29×29 的棋盤，變成黑、白、灰三方下棋，都會導致AlphaGo模型的立即失效。
同樣，以上選址模型是在基於已有路網不變情況下預測才會準確，一旦突發環境改變導致模型預測失效。
第二，計算資源。近些年演算法雖然有很大的進步，但計算資源也是產生智慧的關鍵。最近業界在分散式計算上的成功，讓我們相對於幾十年前有了飛躍的基礎。Google Adwords的模型僅僅特徵數就達到萬億級，如果所有列的型別定義為float，光儲存這些特徵列就得1T，再連上海量的資料，想想就頭大，沒有大量的分散式叢集的強大計算能力，演算法就是個空殼。
計算資源和分散式技術，才是AI真正落地的有一個關鍵。
第三，頂尖的科學家。這些科學家分兩類：資料科學家和人工智慧科學家。正是這些科學家幫助推進AI，創造新的理論和演算法。
資料科學家關乎資料和特徵工程，人工智慧科學家關乎AI演算法。
第四，大資料。AlphaGo 的成功考得是 KGS 上有數十萬盤高手對戰的棋譜資料，沒有這些資料 AlphaGo 絕對不可能這麼短的時間內打敗人類。
機器學習 = 資料 + 特徵 + 模型
第五，外部反饋。演算法要不斷的有外部輸入，知道我們在什麼樣的情況、演算法做出什麼樣的行為下，外部給出的反饋是什麼，這樣才能促進提高，比方說需要 AlphaGo 不斷地進行對弈，並且告訴它對弈的輸贏。
這些要素總結起來只有三點
1) 技術，計算資源，大資料，演算法支援；
2) 業務，邊界要清晰，業務有反饋；
3) 人，科學家，相關熟悉業務的人。
所以如果一個 AI 要成功的話總結起來三點，要關注技術、要關注業務、要關注人。
4. 總結
機器學習基於歷史資料且未來符合過去的假定下才可能準確的技術，要落地靠技術，業務，和人。
END