使用Firefox 留言請注意:

由於某些未知原因,使用火狐 Firefox瀏覽器可能無法留言。 請嘗試下載Google Chrome 瀏覽器來留言 blogspot 的部落。

2017年10月9日星期一

不算真正人工智慧的机器学习(Machine learning)

番薯万能仙境马来西亚国, 只要外国有一个新的科技词汇,技术所及的话, 番薯国政府官员就会在一两年(如果难度更高的话, 3~5 年才提)后拿那个词汇来【丢人现眼】。

我说【丢人现眼】,不是故意贬低, 而是事实 : 通常那些官员仙家说的东西,和科技技术含量的东西相差十万八千里, 反正就是【官大学问大】, 媒体被完全操纵下就根本不怕有人在媒体上笑话官员们。

在欧美媒体开始『重新』炒作人工智慧的当下, 其实真正有使用性质的,大都是人工智慧的分支,而不是真正的人工智慧本身。

机器学习(Machine learning) 这个词汇看起来很神奇,真相是真正的『学习』,其实是使用大量的数学函数来制定和归类数据的方法。

而这归类,首先是经过人工分类, 之后的新的数据, 就让电脑程序运用数学函数来用之前的数据来推演下去。虽然看起是电脑在学习,实在上是在不断的做数据推演。

拿银行来说,要考虑是否借贷给某些人群或是提高条件, 只是有普通历史数据是不足够的, 因为普通统计学的计算是局限于人手提供的框架。 比如说:一个人的银行户口支出的项目,借贷记录。 欧美更进一步的就是去看工作行业的风险。

至于用上机器学习,那么每一项顾客的数据都可以成为一个运算的特征。而这些特征又可以和其他交叉重叠来显示不同的关联。 不夸张的说法, 个人的工作地点,薪水的多少, 交通距离,住的地方, 甚至经过银做自动缴费的项目等等,全都可以成为机器学习需要的特征运算。
举个机器学习运算归类的例子(不是真实例子) :
A行业的员工,薪水超过 3500 ~400,每个月的汽车贷款超过 800 元,  工作3 年的, 70% 的人都无法准时缴交每月  800~1000 的信用卡消费。 那么银行得出这个结论,就把符合上述特征的人房屋借贷条件提高,比如说风险低的行业可以借100 千, 那么这个行业的人只允许借 70千。 因为机器学习是不断做一定的关联运算, 比如说A行业如果设立在 B 城市,借贷的风险会减低50%, 那么银行也可以根据那调整。

可以说,机器学习的运算,除了利用你的个人资料和习惯,也把其他人的资料,习惯,还有趋势加进去归类运算。不是个人说了算的事。

在脸书上看见有人说法家教煮(没错)被举报后被脸书政治正确立刻封贴, 某法家猪队友说什么脸书外包举报选择给孟加拉印度什么的, 我就觉得好笑。
脸书内部很早就使用机器学习来归类脸书友的习性来卖广告。最近一年来,使用机器学习来决定如何应对举报来删贴,也不是什么新技术问题。真正要应付的根本不是什么孟加拉印度人员,而是机器学习的归类。

只要媒体上李开复说什么人工智慧。其实不需要发展全面的人工智慧,单是机器学习这个项目, 就可以让未来10 年内,让大量的金融业所谓的“精算人员” 失业。

没有评论:

发表评论