從去年開始就有參與公司的AI項目，這個參與過程主要是偏執行，即按照要求實現產品某部分功能的需求即可，很少思考各個環節背後的原因是什麼，如何權衡如何做決策，當然，當時的積累也不足以支撐我給意見，更不用說是做決策了。現在成為另一個AI項目負責人之後，AI方案、資源協調、風險管理、成本投入等等所有的事都需要自己去思考、權衡、溝通、解決。
與普通的產品和項目不同的是，AI是產品的核心，所以算法工程師是我最常溝通的對象，必須要理解他們的語言。為了能更順暢的與算法工程師溝通，把控項目質量與風險，特意買了兩本書，開始惡補AI知識，以下是本週的學習成果，分為兩部分：AI的概念和機器學習分類。
一 AI的概念
1、AI的定義
AI（Artificial Intelligence） 人工智能，目前已經成為計算機科學領域的一個重要分支，即讓計算機也像人類一樣學習，通過觀察和訓練，發現事物規律，從而獲得分析問題、解決問題的能力，甚至能超越人的思維和判斷力，我們把計算機學習的方法叫做機器學習，機器學習的結果叫做模型。
2、AI的價值
其實人類絕大多數對事情的認知是基於概率，比如醫生診斷病人，根據病人的症狀再結合理論知識以及多年的經驗，會得出一個大概率的判斷，人工智能的本質就是實現推斷的概率可以無限逼近100%,最終代替人做判斷，節省人力成本，以及幫助解決一些人類未知的問題 。
3、AI的產品形態
AI的產品形態類似一個“中間件”，不直接與用戶完成交互，需要藉助傳統的應用程序，應用程序直接與用戶進行交互，同時提交輸入數據給模型，模型處理後返回輸出數據給應用程序，應用程序再轉化為合適的呈現方式反饋給用戶。
二、機器學習的分類
1、有監督學習
在大人教導小孩認識事物時，比如認識一隻大熊貓，大人一般會對著熊貓的照片這麼教導：你看，大熊貓的體型很大，頭圓圓的，有黑白相間的毛，喜歡吃竹子...，當小孩聽多了或者見多了的時候，腦子裡慢慢的會形成一種直觀感覺，並記住熊貓的特徵，讓下次再遇到大熊貓時，不需要大人告訴，自己也能認識，這個過程其實就是有監督學習。
有監督學習算法最常見的應用場景或領域：如語音、文字、圖像識別等。基於海量帶有標籤的樣本庫訓練模型，並落地產品化，如語音助手、人臉識別等產品。
2、無監督學習
在小孩長大成年後，對於世界的認知不再侷限於其他人的教導和答案，而是在看了大千世界之後，形成了自己的標準答案，比如關於審美標準：他就認為短髮、小個子的女生就是美女，那麼在下次遇到這一類型的女生時，大概率也會將她歸在美女這一類，這個過程就叫做無監督學習。
無監督學習的訓練集使用的無標籤的數據，即每一條數據沒有正確答案，所以其目標不是告訴計算機怎麼做，而是讓計算機自己學習怎麼做，自己去探索數據並找到數據之間的規律。通常採用相似度計算的方法找到規律訓練模型，對於新樣本，計算新樣本與原樣本的相似度後，模型即可按照相似程度進行歸類，即我們常說的“物以類聚，人以群分”。
無監督學習常見的應用場景：如用戶群體劃分、用戶畫像，通過無監督學習識別有相同屬性的用戶群，為互聯網營銷活動提供決策支持。
3、半監督學習
對於有監督學習來說，其前提是需要海量帶有標籤的訓練數據，而在如今數據爆炸的時代，想要給數萬億的數據打上標籤是一件工作量非常大的事，所以往往只能拿到少量帶標籤的數據，這種情況不適合使用有監督學習的方法。
半監督學習就是為了解決該問題，顧名思義，是結合有監督學習和無監督學習的一種學習方法，利用海量未帶標籤數據，輔之以帶標籤的數據進行學習訓練，增強計算機的學習能力。
4、強化學習
當小孩不好好吃飯時，大人不直接告訴他做錯了，糾正他的錯誤，而是通過比如生氣或者處罰等方式給予反饋；當表現的不錯乖乖吃飯的時候，大人也不直接正面誇獎做的對，而是通過送小禮物等方式給予激勵，經過多次反覆“訓練”之後，小孩就會知道不好好吃飯是一個不好的行為，這個過程就是強化學習。
強化學習又稱為再勵學習、評價學習或增強學習，是在沒有任何標籤的情況下，先嚐試做一些動作得到一個結果，通過這個結果的反饋調整之前的行為，通過不斷的調整，算法強化自身的決策能力，最終能夠通過不同的情況，獲得不同的決策能力。
強化學習最經典的應用就是：alphago圍棋人工智能程序，針對圍棋的複雜性，結合有監督學習和強化學習，訓練形成了一個決策網絡模型，在2016年3月戰勝了世界圍棋冠軍李世石。
三 小結
本文主要介紹了AI的相關概念以及機器學習的四種方法。機器學習的本質就是讓計算機學習人類，通過觀察大量的數據發現事物規律，或者甚至比人類更強的分析與解決問題的能力。而四種機器學習方法也各有特點：
（1）有監督學習：依賴帶有標籤的訓練集，找到事物特徵與標籤之間的映射關係，適合解決分類問題，也是目前相對來說應用最多，最為成熟的機器學習方法。
（2）無監督學習：不需要帶有標籤的數據作為訓練集，通過相似度計算等的方式找到規律，將數據進行整理歸納，適合解決聚類問題。
（3）半監督學習：在帶標籤的訓練數據有限的情況下，結合有監督和無監督學習的方法，增強計算機的學習能力，以提高學習的準確率。
（4）強化學習：預先沒有數據，通過與環境交互後給予的反饋調整算法，推導規則，適合解決決策類問題。
這四種機器學習方法並無優劣之分，可根據具體的問題和需求，應用於不同的業務場景。
end
閱讀更多 PMTalk產品經理社區 的文章
