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( 五 )


再一次 ， 就像科学研究一样 ， 要取得巨大的成果 ， 明确问题和着手解决问题的方式与投入的脑力劳动同样重要 。 确定了如何建立、引导、发现和分析的过程之后 ， 计算机就可以执行任务和数学计算 。
##5种不会被机器智能替代的能力
本文插图

解决问题的方法很多 ， 准备开始的步骤也很多 。 我们将使用什么数据？哪些算法最有用？用哪一类建模方法？合理的操作步骤是什么？
尽管计算机是个数学计算高手 ， 但它自己并不能推断出要做哪些计算 。 这并非期望你成为算法专家 ， 但你应该有良好的直觉 ， 明白算法可以做什么、不可以做什么 ， 以及在哪里可以使用它们 。
下面这个简单的例子展示了人类在与机器合作解决问题时所拥有的力量 。 在一家大型金融机构中 ， 我们的任务是找到一种早期检测欺诈的方法 ， 以阻止大部分的欺诈活动 ， 帮助机构挽回资金 。
欺诈的表现方式有数百种 ， 由于欺诈事件层出不穷 ， 欺诈者又行动迅速 ， 我们很难在追踪案件时跟上他们的行动模式 。 依靠10年来积累的数据和400多个变量 ， 我们尝试将“恶意行为”建模 ， 使其可以被检测出来 ， 从而阻止未来的犯罪者 。
我们改变了解决问题的方式 。 我们没有问：“如何对恶意行为建模？”而是问：“如果也对良好行为建模 ， 会有什么帮助？”正如我们所发现的 ， 对遵守操作规则的良好客户的特点建模 ， 再综合其他的恶意行为模型 ， 这会把检测和阻止欺诈的效率提高很多 。
这意味着在实践中目光不应该局限在个别交易上 ， 而应当重点关注相似人群（例如 ， 居住环境和收入结构接近的人群）的共同行为模式 。
在“良好”行为的模式指引下 ， 我们更加容易发现关心的异常行为并对其采取行动 。 “恶意”行为及其与良好行为的差别显得尤为突出 。 从这个问题出发 ， 最终我们为该机构发现了超过10亿美元的规模大、范围广的欺诈事件 。
【##5种不会被机器智能替代的能力】另一个问题求解的例子来自对比谷歌和特斯拉在构建自动驾驶车辆软件时采用的不同方式 。 谷歌使用了几百万个道路场景训练它的模型 ， 以确保驾驶程序可以预见和应对任何想象到的情况 。 它只将软件安装在自己生产的汽车上并用自己的测试司机 。
与此相反 ， 特斯拉公司在它生产的每一辆汽车上都添加了自动驾驶功能 ， 供所有的司机使用 ， 并带有一个惰性车内自动驾驶测试功能 。 特斯拉汽车的一些软件可以协助客户进行有限自动驾驶 。 软件的另一个功能是记录驾驶员的所有行为 ， 它对汽车没有影响 ， 这样特斯拉可以不断地积累数据 ， 以便未来实现完全自动驾驶功能 。
比较一下两种解决问题方式的结果：谷歌花了6年时间收集到100万英里的真实自动驾驶汽车数据 ， 而特斯拉的7万辆汽车每10小时就能产出100万英里的驾驶员数据 。 谁将率先利用数据抢占下一个突破口？
我们得到的教训是：你不可能命令电脑“提升一下我的业绩”（或者“改进一下我的汽车软件”） 。 你仍然需要提出问题并且指明如何来构建它 。
就像人类对机器的其他优势一样 ， 你会在某些任务上表现得更好 ， 并且你需要进一步发展对人机协作非常重要的关键能力 。 如果你正在选择优先发展的能力 ， 以保证成功之路有坚实的支撑 ， 本文就为你精心准备了一张候选列表 。
关于作者：乔希·沙利文（Josh Sullivan） ， 美国知名咨询公司博思艾伦的合伙人 ， 创建和领导该公司的数据科学团队 ， 致力于向企业领导者展示数据科学如何解决复杂的组织问题 。 他与数百家财富五百强公司以及政府机构合作 ， 通过采用数学公司的原则来帮助它们重塑组织以获得商业成功 。
安吉拉·朱塔弗恩（Angela Zutavern） ， 博思艾伦咨询公司副总裁 ， 是数学型公司理念下的领导力、转型和创新方面的专家 。 她主导的机器智能和数据科学战略已帮助数百个企业和组织获得竞争优势 。 她的工作还涉及深度学习和量子机器学习领域 。


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