万万没想到，枯燥的“机器学习”还能够这样学！

摘要： 5月末的一天中午，蚂蚁AI平台部的几个PD同窗吃完老娘舅，在Z空间楼下遛弯。 期间，某同窗提到一则“小孩子由于鸡毛蒜皮的小事，想不开而作出傻事”的新闻。 当你们在纷纷感叹的时候，一位产品专家同窗形象地说了一句——这个孩子的“模型过拟合、泛化能力太差”。

5月末的一天中午，蚂蚁AI平台部的几个PD同窗吃完老娘舅，在Z空间楼下遛弯。

期间，某同窗提到一则“小孩子由于鸡毛蒜皮的小事，想不开而作出傻事”的新闻。

当你们在纷纷感叹的时候，一位产品专家同窗形象地说了一句——这个孩子的“模型过拟合、泛化能力太差”。

这个比喻确实一针见血、入木三分啊！众人均表示，以此悟性，该同窗“晋升研究员，入主组织部”就指日可待了！

的确如此，养尊处优（过拟合：overfitting）造成的脆弱心智（模型），在面临真实世界当中的种种不如意时，每每不能正确地处理（预测不许、泛化能力差），从而很是容易酿成悲剧。

在机器学习当中，在训练模型时，若是样本太单一或者特征选择不当，就会出现过拟合。即把训练样本当中的特殊状况，当成广泛状况。这样，在面对新的样本时，就没法正确处理。

咱们常说的应试教育和素质教育，也有泛化能力的巨大差别。

应试教育成天让学生作卷子、刷题库，训练出来模型过拟合、泛化能力差，就会出现“高分低能”的状况。而素质教育则注重能力锻炼、比较多元化，训练出来的模型泛化能力强，学生们未来在生活和工做方面都不会有太大的问题。

其实，若是你把人的成长与机器学习进行仔细比对，你就会发现，二者还有更多殊途同归之妙。

一个婴儿呱呱坠地，他天生就会具有一些能力（自带算法库），好比心跳、呼吸、哭、笑、恐惧等等。

这些能力，都是神奇的进化和伟大的基因带给咱们的。不然，让咱们从新掌握一遍这些技能那就太费劲了。

固然，为了正常的生活，仅仅有这些自带的初级算法和模型是还不够，你还要不断地掌握一些新的技能（自研算法）。

好比，吃饭、走路、说话等等。

要掌握这些技能，须要父母日复一日，年复一年，任劳任怨地反复教咱们，训练咱们咿呀学语、蹒跚学步。

这就像在机器学习中，须要足够多的样本（成千上万），耗费不少计算资源，通过数分钟甚至数小时、数天的持续训练，才能得到一个模型。

其实，在人的大脑当中，不光有常年累月不断训练而掌握的技能（模型），还会有一些强规则。

这些规则，有些是父母教给咱们的，有的是社会道德规范、法律法规造成的 。

好比，父母会对小孩子说：“不要随便吃陌生人给的食物”、“过马路时要左右看”。

在生活当中，要尊老爱幼、礼尚往来，要遵纪守法、践行社会主义核心价值观等等。

对于这些规则，咱们记住，之后照作就好了。

因而可知，咱们的大脑就像一个决策中心或者决策中枢，其中包含了无数规则和模型

。每次决策，就是组合地使用这些规则和模型。

在实际的机器学习应用场景中，在各个业务线当中，也有各类各样相似的“决策中心”，好比大安全的UCT、微贷的AGDS以及DecisionX这样的“通用决策中心”。

这个决策中心，就包含了成百上千复杂的规则（或者称为“策略”）以及训练获得的模型。对于某一个，用策略and/or模型的组合来进行判断和决策。

并且，每每是先判断策略，若是不知足某个策略，那么就直接给出决策。

随着年龄的增加，除了吃喝拉撒这些基本技能，咱们的决策中心还须要掌握更多的技能，好比语文、数学、音乐、舞蹈、体育等等。

在这方面，常常会看到某些孩子“天赋异禀”，即系统自带超牛的算法——他的爸妈给他遗传了更好的算法。

不过，咱们普通人也不要气馁，咱们能够付出更多努力（大样本），不断刻意、刻苦地训练（模型不断retrain和演进），也能取得好的成绩。

人生是场马拉松，模型训练也是如此。

相比之下，在这场马拉松当中，在人生的不一样年龄阶段，咱们所使用的学习方法也不尽相同。

在小时候，咱们大多数采用的是有监督的机器学习。

好比，父母会拿着各类各样的水果教咱们：“这是苹果，这是桔子”。

动画片和故事书常常告诉咱们：哪些是好人，哪些是坏人。

因而，咱们最经常使用的就是二分类算法：大/小、长/短、是/否、好/坏。

而长大之后，咱们遇到更多的是无监督或者半监督的学习，不少事物并不会带着明确的是非对错的标签。

所以，咱们会用一些聚类算法。跟遇到的人通过一段时间熟悉后，才会把他们分为“讲义气”、“酒量大”、“会修电脑”、“爱吃老娘舅”等各个类别。

尽管学习的方法各异，但大道至简、万物相同。

咱们知道，一我的在某个方面有所成就，就很容易在其余领域表现优异（迁移学习） 。

好比，爱因斯坦不只是杰出的科学家，他还精通小提琴。一个C语言高手，很快就能变身Java大拿。

固然，细究起来，人脑与机器学习也有很多差别。

好比，给小孩玩几个玩具汽车、看几张汽车图片，他就会能认识许多造型各异、图片风格迥异的汽车。

相比之下，要让机器达到这样看似简单的能力，则须要须要数万、数百万的样原本训练。

几年来，有关AutoML的一个研究方向，就是解决如何用少许的样本完成模型的训练。

此外，咱们发现，人类“下意识、一瞬间”能作的事情，对于人工智能来讲却很难。

好比，认识物体和人像（图像识别能力）、喜怒哀乐的情绪以及行走奔跑的能力。究其缘由，仍是归功于伟大的进化——咱们的这些模型，是经历了亿万年的进化，通过了无数次地模型演进才得到的。

反过来讲，人类花很长时间才能作完的事情，对电脑来讲却易如反掌。例如，在短期内，对100万个数字求和，或者把圆周率的精确到小数点后100万位。

然而，要找到人脑和人工智能的能力差别背后的真实缘由，人类还有很长一段路要走。

尽管如今科技突飞猛进，尽管人们已经发明出了“深度神经网络”来实现人工智能（深度学习），让机器认识猫、下围棋，但人类对本身大脑的运做机制仍然知之甚少。

能够说，人们用本身那神奇的、原理尚不清楚（不可解释） 的大脑，造出了种种机理尚不清楚（不可解释）的模型。

也就是说，尽管你用深度学习训练出了一个能够识别猫的模型，但这个模型没有可解释性。即，你没法说出这个你训练出的这个牛逼的模型，到底是靠哪些特征、哪些原则来识别出猫的。

人的心智，就是由无数个如此讳莫如深的模型以及清晰明了的规则组成。

人的一辈子，就是不断迭代旧算法、retrain旧模型，研发新算法、训练新模型的过程。

所谓“读万卷书、行万里路、与万人谈”，这就是让咱们掌握更多的算法，拥有更全面的样本，从而训练出更多样的模型。

不过，惋惜的是，不像“长相、哭、笑”这类特征或技能，人类的大部分模型并不能经过基因来遗传给咱们的孩子。

好比，一个“精通Java/Python，擅debug、调core”的高级技术专家（P8），与一个“深谙用户体验和人性本质”的资深产品经理（P6）合体以后，繁衍的后代并不能天生就会写码或画线框图。

也就是说，你穷尽一辈子训练出来的各色优雅的模型，有朝一日都会下线（模型下线）。

可是，并不要所以感到悲伤，人生原本就是一个体验美好和精彩的过程。

人常说，活到老学到老，这样的人生才是完整的，才是值得期待的。

总而言之，蚂蚁金服AI平台部汇聚了机器学习、大数据智能等领域的来自五湖四海、国内国外的众多精英，部门的产品支持了蚂蚁金服多个核心产品和业务。