20分钟了解AI基础 - 网站源码_资源分享

责任编辑作者：James Pei，某颈部AI董事会主席，高家岭「智能自学与思索」。网络化企业经许可发布！

我们对AI抱有极高热忱，也有许多想像，但根本无法比较精确地归纳出AI，并作出许多判断。以下科学知识可能是个较好的已经开始，不须要太多此基础，最多是瓦朗赛县就可以，只须要冷静Briare上15-20两分钟，并跟着一起思索，相信对您增进对AI的认知会有许多帮助。

那么，他们已经开始：

机器自学主要价值是自学两个实战经验E，依照那个自学到的实战经验E去继续执行两个各项任务T，最终目标是强化继续执行各项任务T的整体表现P。（该处读两遍，觉得觉得

）

比如说：在商业银行，依照统计数据，AI自学顾客整体表现和顾客信用风险之间的亲密关系，那个亲密关系是实战经验E；然后为每个顾客动态计算更精确的网银限额，那个是各项任务T；最终目标P是在一定风险分担范围内，增加商业银行网银收入。（因为之前矫枉过正的限额更改原则，远不如AI选定的精巧限额简便。）

好了，介绍了AI是干嘛的，那AI是怎么干呢？

机器自学的此基础业务流程

具体业务流程如下表所示图，请我们明确，这三步是在干嘛，以什么方法论和本篇。先期的介绍将著眼在其中两三个关键步骤。但他们经常混为一谈，比如说混为一谈AI体能训练和AI继续执行各项任务。

1.选择演算法。比如说，刚才商业银行的范例，他们需先对顾客展开分类找到白名单，这是展开分类演算法，也要通过顾客行为预测他的限额水平，这是重回演算法。续篇对于Transformer的探讨，是两个新一代的高阶许多的演算法。

2.准备高效率的统计数据，并展开特征工程。通常这些可能须要许多时间，特别是产业界，往往没有高效率的统计数据。这里统计数据质量有五个微观：一是当然的统计信息量，那个好认知。并有样本统计数据，比如说，在商业银行风险控制领域，如果只是交易统计数据，那不是样本，必须有真正的欺诈统计数据；比如说，在设备管理领域，不但要有设备的运行统计数据，还要有设备的故障统计数据，这样机器才可以真正自学。三是统计数据的处理效率，对于AI真正有价值的往往是动态统计数据，这是发挥AI决策最大价值的关键。四是特征工程，只有统计数据是不够的，要进行处理，拿出机器可以认知而且有价值的特征才是根本。最简单的范例是男、女要分别改成0或1。特征工程是AI计算最重要的领域，整个深度自学的神经网络可以认知为是在做统计数据的特征工程。

3.对统计数据用演算法展开训练。那个体能训练的过程才是让机器有能力继续执行各项任务的关键关键步骤，而且许多计算演算法的方法论也针对的这部分。他们讲算力是决定性因素，也往往指体能训练阶段的算力瓶颈。

4.体能训练结束一般还要做许多测试，确保那个实战经验是能够应对多种情况，从而真正形成实战经验E。

5.实战经验E要用到生产系统，动态地继续执行各项任务T。比如说，上面范例中，他们核心各项任务是对每个用户的信用风险限额动态调整。

6.评估继续执行整体表现。AI的整体表现相对于人工会提升多少，和计划是否有偏差等。

7.持续强化。这里的强化是全方位的，既要更新演算法，提高统计数据质量，又要有更拟合的体能训练结果及更动态地继续执行各项任务等。经常听顾客说，AI可能在他们这里落地效果不好。其实AI在哪里落地，刚已经开始时效果都不会好，真正让AI起作用，是须要持续强化。第四范式的许多AI驱动的顾客，也把这一条当做自己重要的核心竞争力，即持续迭代的能力。

机器自学的理论此基础

他们先从那个实战经验E如何体能训练出来谈起。

假设，那个实战经验E可以抽象成一个线性亲密关系（当然现实世界不一定是简单的线性亲密关系，这里只是简单化处理），即设Y=f(x)=wx+b，x是商业银行统计数据（比如说：还款逾期率），Y是信用风险限额。他们要自学的实战经验E，是自学那个f( )，那个概念很重要，建议停下来稍加认知。

要想得到f( )，须要先拿许多样本（也是他们事先知道许多x统计数据，以及对应的y）展开体能训练。

例如：

信用风险限额

还款逾期率

100000

20000

120000

15%

100000

12.4%

80000

35%

他们希望利用这些x到y的样本，反推出f( ）那个线性函数。

如图1：在还款逾期率那个x和网银限额y那个空间里，他们有个许多样本，须要预测的是这条直线y=wx+b长什么样。

他们可以给机器设置两个规定的步长，穷举出许多y=wx+b。但应该选择哪个呢？

这里要引入：成本函数 J

成本函数的简单定义：他们预测的直线到“每个样本的距离之和”的平均值。

假设他们选定了一条直线或者说两个f（），那么在X(1) 给定情况下，y（1）是样本对应的数值，

是f()得出的数值。M为样本个数。

那个函数是这条他们预测的直线到每个样本的距离之和的平均值。即他们应该找到一条直线，它距离每个样本的平均距离最短。也是对应成本函数最低的那个。

这里可能我们有些懵，他们梳理一下：

这里有几个概念：真实世界发生的事件，被统计数据记录下来，被记录下来并拿来做

样本的，这三个层次是不是逐渐缩小了？再往后，他们体能训练产生两个y=wx+b，其最终目标是利用样本统计数据体能训练两个规律，从而可以预测真实世界。简言之，第一件事是体能训练出许多y=wx+b，第二件是比较哪个y=wx+b更好，第三件是选出那个最好的。

在实际操作中，计算机会算出各种可能的f( )，并算出相对应的成本函数，那个成本函数的取值就像图3显示的，是两个曲折的球面，机器利用规则在寻找那个山谷的最低点，也是成本函数取值最小那个点，那个点所对应的f()，是他们要找到的那个。这种方法是梯度下降。

图3

因此，计算机自学实战经验E的过程，是给定一部分x，y统计数据（样本），预测总体上f( )长什么样。利用的方法是通过梯度下降的方法，找到成本函数最低的那个f( )。

所谓梯度下降，其原理是提前设置两个自学率。自学率是告诉计算机该以什么变动频率产生多个f( )用来比较。如果那个f( )是个线性方程，其中两个自学率是那个斜率的变化。比如说，机器预测那个方程式y=3x，如果自学率是0.1，那么下两个预测的是y=3.1x。机器自学，是这样每得出两个方程，就计算两个相应的成本函数，然后通过梯度逐步下降原则，找到成本函数最小的方程。

通过梯度下降计算后，选出最优f( )，计算机就能够完成各项任务T。在范例中是，如果有新的还款逾期率统计数据，机器可以依照f( )预测相对应的网银限额，从而给出更合理的商业银行顾客信用风险限额，因此提升了商业银行服务顾客效率，带来了网银对应收入的提高。

机器自学的数学此基础——向量

刚才那个范例，X是还款逾期率，也是说只有两个变量。但现实生活中，影响信用风险限额的不只是两个变量。还会有性别、年龄、地区、年薪、存款额、网银交易额、违约次数等诸多特征，如下表所示表（图4）。

图4

表格中是两个样本，每个样本都是一组统计数据，是商业银行顾客的基本画像以及交易行为。商业银行顾客的网银限额应该是这些信息综合决定。

这里每一行统计数据，称为两个向量；可以表示为：

每个向量里都包含了各种特征统计数据。

向量是高维空间的某个点，在那个范例中那个高维空间是由这8个特征类别组成的高维空间。

相比较y=f(x)在二维，y=f( )他们须要在那个高维空间去计算。

那个从y=f(x)到y=f( )的转换非常重要，是一定要认知的概念，整个AI的数学此基础都建立在最小的计算单元——向量上。

为什么要升到那个高维度来看统计数据？这里有个背景，是他们希望数学公式尽量是线性方程，而不是多元方程；只有当统计数据被放到两个非常大的维度中，数据才可以更容易呈现线性亲密关系。

机器自学的进阶——神经网络

另外，在已经开始之前，有必要再介绍一下神经网络此基础概念

他们定义样本统计数据：X(1) X(2) X(3) X(4)…X(i)

每个样本统计数据都是两个个向量形式，一共i个样本，

比如说

即每个样本有8个特征

如果他们把y=f( )换两个形式表达，就如下表所示图

即每个X(1)的向量特征值参与计算，最后通过梯度下降的方法强化成本函数，得到f( )。

那么神经网络，是在图5那个计算此基础中间，加入了几个隐藏层，如图6是加入三层隐藏层的神经网络。神经网络的作用主要是进一步提取新的特征，特别是那些隐藏的以及非线性的特征。

他们举个范例，还是信用风险限额计算问题（见图7），加入他们设计一层隐藏层，那个隐藏层对应的五个节点，分别是挣钱能力、还钱能力、对商业银行忠诚度、信用风险习惯，这五个特征是先前统计数据样本里没有提供的字段。这些节点要分别跟他们熟悉的八个特征逐一展开计算，找出其相关性，从而得到两个更精准的信用风险限额。

其中挣钱能力、还钱能力、对商业银行的忠诚度、信用风险习惯是他们为了便于认知而人为设置的，现实中机器可以自动计算出相应的可能隐藏层。