洞察在前，算法在后——人工智能vs人的智能

正文

请到「今天看啥」查看全文

在数据层面

给算法使用哪些数据，基于数据建立怎样的机器学习模型，怎么形成数据的反馈闭环，都是人主导的最基础的创造性工作。比如在收集搜索相关性的反馈数据时，算法工程师和数据科学家不仅分析曝光、点击和跳失等用户行为，同时也常常通过采集注意力、停留时间以及脑电波反应等方式，进一步综合全面地评估用户反馈。

而算法从模型到实时大规模计算部署，更是算法工程师、数据科学家和工程师集成的智力创新过程——如何让算法模型在大规模分布计算集群中进行高效的计算。

这其中的任何一个小小的创新都会带来巨量的价值。 例如最近 DeepMind 用机器学习的方式对计算机集群的智能提效。这些创造性的过程靠算法自己就不可能完成。

例如要测量一个贷款者的信用度时，通常算法使用贷款者的经营数据（财务报表）和以往还款情况数据（信用记录），这和传统银行的做法并没有什么本质区别，但 蚂蚁金服的算法模型则使用了贷款者在玩网络游戏中的行为数据作为多一个维度 ，他喜欢冒险吗，容易逃跑吗，这些数据某种程度上更直观地反映了贷款者的性格特征，而更丰富的数据维度也让算法对贷款者的信用度具备了更精准的认知。

大数据的“大”核心不在数据之多，真正重要的是异质数据的联结，也就是能够为模型带来信息增益的数据。 而哪些异质数据，联结起来会产出哪些效果，找到和创造机制去联接这些数据，这需要的就是人的创造力和洞察力。少了它们，算法的效能就只能局限在一个狭簇的范围里。

请到「今天看啥」查看全文