江苏龙网

  1. 首页 > 资讯 > 科技 > >

##5种不会被机器智能替代的能力( 四 )


你可以向机器寻求建议 ， 它加载了反应实际战况的模型 ， 然后提供比如说25个选项 ， 每个选项都是从你无法理解的复杂性中筛选出来的 。
在这种情况下 ， 你想要的不是单一的最优答案 ， 而是希望机器列举出你未曾想到的选项 ， 从中确定当前状况下具有最优代价和权衡的解决方案 。 这就是在机器智能时代人和机器紧密合作的方式 ， 以便在调查中充分挖掘归纳方法的威力 。
归纳推理的最基本方法是观察事物本身 ， 没有先入为主的理论告诉你将会从复杂的数据中发现什么 。 一旦你提出了问题 ， 就让机器智能用算法来提供答案 。
你提出的数据和模型的问题反映了复杂系统的运行规律 。 这些数据比你以前存储的要广泛得多 。 这些模型比你的大脑能想到的任何模型都复杂得多 。 只要你按照机器能回答的方式来提出合适的问题 ， 获得新颖有用的答案的可能性就会大大增加 。
有一句关于数据的老话：垃圾进 ， 垃圾出 。 提问题也是这个道理 。 糟糕的问题只会得到无用的见解 。
你是否会问先有鸡还是先有蛋？这么做的话 ， 你不会得到任何答案 ， 因为你提出的是鸡和蛋的层次上的问题 。 相反 ， 你可以这么问 ， 在生物进化史上 ， 卵生动物的祖先是什么时候出现的？站在数百万年进化史的角度提问 ， 你可以获得一些真实的可能性 。
这就是为什么作为领导者你需要站在这个过程的顶端 ， 以更广阔、更具分辨力的眼光凝望这个世界 。
你有可以依赖的工作和生活经验 ， 看待事物的观点和组织知识 。 就像苏格拉底所说 ， 你在过着“审视的生活” 。 通过审视的目光和一颗永远对未知事物好奇的心 ， 你对重要的行动提出了一连串的质疑 。 随着对问题的不断深入的思考 ， 你形成了独特的理论 。
这并不是说一开始你就知道了明确的问题 。 很少会这么幸运 。 首先 ， 你需要学习如何与数据科学家合作 ， 以便查询请求的格式能够被机器理解 。
另一方面 ， 如果你采用纯归纳方法 ， 并接受意料之外的结果 ， 那就不能在问题中对可能的结果做任何假设 。 关键是要拿出有价值的问题 ， 这些问题成为推动组织到达终极关键问题的引擎 。
如果说归纳推理是通过观察来发现真相 ， 则演绎推理是通过实验来验证假设 。 归纳推理中 ， 你可以从自己认为可能的事物出发形成推论 。 演绎推理中 ， 你可以根据确定的前提来导出结论 。 实践中两种推理方式我们都会采用 ， 但在一些圈子里 ， 归纳推理因其间接、非正式的特点而受到冷遇 。
当你以新的方式与机器协作时 ， 可以使用这两种推理方式来完成很多事情 。 交替使用两种推理方式通常是揭开复杂事物神秘面纱的捷径 。 科学家的工作方式就是这样的 。 他们一旦有了科学理论 ， 就转而使用演绎推理来寻找可以改变任何东西的问题 。
旧金山警方的领导层希望安排更有针对性的巡逻来减少汽车盗窃案件 。 在数据科学家的指导下 ， 他们查询了犯罪数据库 ， 发现了盗车案件的三个热点地区以及案件发生最频繁的时段 ， 即周六晚上七点钟前后 。
在警察的帮助下 ，数据科学家发现主要的热点地区周围都是公园 。 一个新的理论因此诞生：在城市中 ， 公园的荒野地区是窃贼发起盗窃活动和撤退的最好地点 。 这揭示了应该在何时何地加强巡逻 ， 随后的反馈数据可以验证 ， “公园理论”是否是应对汽车盗窃的巡逻方案的最好答案 。
因此 ， 你可以看到在人机合作中 ， 人类一方的直觉能促进更好的问题和答案出现 。 在没有思考的情况下 ， 直觉让你冒出一个想法 ， 而机器耐心地等待着测试这个理论 。
05 构建问题解决方案
第五种让机器感到挣扎 ， 而人类十分拿手的能力是构建问题的解决方案 。 第一个挑战是明确问题的本身以及它的构成 。 然后你要决定怎样依靠人机协作来寻找答案 。


推荐阅读


上一篇：『发布价』5月大降至“退场价”的四款手机，你更看好其中的哪一款？

下一篇：「证券投资基金」行业基金测评（一）——科技类基金测评分析