极海数据分析（上）：机器在做什么

——如果机器说，能帮人类准确地预测市场，预测价格，却无法告诉我们为什么。我们敢相信吗？

深度学习 是当下数据科学界最火的话题。从这个发展了短短几年的领域，已经诞生出能击败李世石的 AlphaGo，和能在路况最复杂的匹兹堡安全行驶的 无人车。要训练机器完成这样需要人类智能水平的任务，即使在二十一世纪初，都还属于科幻片的范畴。

（图：Nature杂志）

然而，在大众眼中的光环之外，许多的数据科学家、研究人员直至今日都对深度学习持保留态度。

要说为什么？其实原因很简单。你告诉我计算器进行加减乘除的 原理，我就能相信你的计算是正确的。你告诉我国际象棋的程序之所以可行，是因为它的可能性在可算的数量级，料敌先机战胜人类对手，我也能相信。但围棋这个尽展人类智慧的游戏，你没法手把手“教”给机器怎样去赢得最好的人类棋手，但你声称机器能通过海量学习来做到，即使连设计学习程序和样本的你都无法理解它是如何做到的。这该让我如何信服？

我们在最近的项目中，就遇到了这样一个问题。

我们对一家商店的 会员数分布 建立预测模型的时候，传统上的做法是，将很多的影响因子加入这个模型，经过调试最终得到哪些是重要的因子、每个因子对会员分布有怎样的影响，就像一个由很多x组合决定y的方程。

对于大多传统的数据科学家来说，这样的做法能让他完全把握模型，通过经验判断来手动控制模型，每一步都可循，是非常重要的。甚至在机器学习（Machine Learning）的时代到来后，他们也逐渐接受了让机器来优化算法，毕竟机器学习的核心也是用线性回归和逻辑回归来拟合数据，他们能够形象地理解为什么决策树是有用的，Random Forest和Radiant Boost也能告诉他们到底哪些x因子对他们要预测的y是重要的，即使不再能用单一的方程来表达。

然而到了深度学习，就忽然变成了另一个故事。直到现在，理论学家们也无法解释，为什么增加了神经网络的深度（层数）之后，能达到这么惊人的效果，能让AlphaGo在围棋上战胜人类。这决不像表面一样，是简单地把机器学习进行了升级，而是完全变成了另一个东西，一个我们还无法解释的东西。

同理，当我们做图像识别的时候，无论用多少的传统方法——因子分析、主成分分析、聚类分析，甚至引入传统的（即：我们能理解的）机器学习方法，都远远不能达到深度学习的效果。就像机器不能理解人脑的运转一样，忽然间，我们也不能理解机器的运转了。

然而，这并没能阻止研究者的脚步。即使在传统的数据科学家的一片观望中，互联网科技巨头们依然在坚定地将深度学习作为科技的明天，不惜成本地推进这个领域的研究。而我们的团队，也一直在跟进，将深度学习的方法引入我们的产品和项目中——无论对我们还是对客户，最重要的是结果。也许人工智能会越来越超出我们认知的范畴，最终代替人类统治世界，这我们暂时关心不到；至少在今天，我们想让它告诉我们最准确的价格是什么，最合理的选址是什么。

（图：Michael A. Nielsen）

回到商店的会员数预测。我们有几百类的POI因子x，都可能和会员分布y有关；如果按照传统方法，我们要做的就是把它们降到尽量少的数量，最终，认为说10个因子x’（每个x’有可能是将一些x变形组合的结果）解释了y的大部分变化。此处我们要尽量消除因子之间的关联性，我们要考查因子的分布是否正态，我们要避免过度拟合……通过一系列的条件来保证模型的可靠性。

而到了深度学习？因子数量太多，没有关系，甚至越多越好；这会不可避免地导致过度拟合，然而也不用担心，多了这几层神经网络之后，深度学习（无法解释地）不再像传统机器学习一样受限于这些了。

最终，我们决定帮客户同时做两个模型，来描述会员的分布：（1）深度学习模型，我们会证实预测结果的准确性，即使我们无法解释机器的智能是如何做到这一步的；（2）传统模型，我们可以得出一个影响因子Top 10列表，让客户从直观上对什么因素影响了会员分布有一个认知。

我们认为这两个模型都很重要。

就好像当我们想通过基因预测一个小孩长大后的身高时，我们可以建一个复杂的深度学习的模型，其中包含海量基因信息；只要最终预测结果是准确的，我们可以接受模型有一定的模糊性。而与此同时，我们也会想知道，小孩长大后的身高到底跟哪些因素有最大的关联？于是我们单独建模来解释这件事情。

在数据分析的未来，这两条线也许会越走越远——机器会继续变聪明，模型预测会更加准确，过程也会让我们人类更难理解；另一方面，同样在机器的帮助下，我们提取直观信息的技术也会发展，解读会更加清晰。

那么，在机器似乎包揽了大部分工作的今天，作为数据分析师的我们在做些什么？

请继续阅读—— 极海数据分析（下）：我们在做什么