人工智能的發(fā)展將會讓人類變得一無是處，且遵循 80/20 法則

編者按：人工智能的發(fā)展將會讓人類變得一無是處？在Yelp（美國版大眾點評）搜索團隊的產(chǎn)品經(jīng)理Yue Wu看來是無稽之談。他近日在venturebeat上發(fā)表了一篇文章指出，人類的自覺仍舊是不可取代的。在解決問題的過程中，也遵循著一種80/20法則，仍舊需要人工智能（80）與人類直覺（20）攜手并進。

把機器學(xué)習(xí)算法放到一個具體的場景來進行優(yōu)化，它將展現(xiàn)出遠超人類的能力。但作為人類，我們應(yīng)該繼續(xù)專注于我們最擅長的事情，比如創(chuàng)造性地思考，建立同理心，來以引導(dǎo)機器向正確的方向前進。

比如，一個朋友想讓你推薦一些氣氛比較適合約會的餐廳。和大多數(shù)人一樣，你可能會根據(jù)一些突出的特點進行評估，比如舒適、別致的氛圍、食物的口味等等，或許還會分享給他一些可口的甜點。根據(jù)這些特征的重要性，你會想起幾家在這些方面都做得很好的餐廳，并給出建議。

同時，這位朋友還向一個“黑匣子機器學(xué)習(xí)算法”發(fā)出了同樣的請求。機器學(xué)習(xí)算法可以獲取用戶評分和價格等多種商業(yè)屬性，并用所有這些數(shù)據(jù)進行訓(xùn)練。然后，它拿出了一份有幾百家餐廳的清單，按照得分高低排好順序。

從這個簡單的比較中可以清楚地看出，人類的直覺和機器學(xué)習(xí)在不同的方面有優(yōu)勢。我們的優(yōu)勢在于，作為人類，我們花了很多時間在“約會”這個場景中，和朋友建立了隱含的共享內(nèi)容情節(jié)。我們很了解朋友，我們知道這次約會對于他來說至關(guān)重要，我們甚至?xí)胄┠軒椭冗^一個神奇的夜晚的細節(jié)。晚上結(jié)束的時候，如果我們的朋友打電話給我們抱怨他等了近一個小時，而且停車也非常麻煩，我們也會記得這些信息，并在下次推薦餐館時把它們考慮進去。

關(guān)于機器學(xué)習(xí)的“80/20”法則已經(jīng)有了一些討論。普遍的想法是，完成一種目標的時候，機器能幫我們做到80%，在大多數(shù)情況下，這可能已經(jīng)稱得上是“足夠好”了。但仍有許多方面需要人類的參與和判斷，才能完成最后的20%。

理解問題

如今，隨著對機器學(xué)習(xí)的大肆宣傳，遇到問題時，人們很容易直接進入機器學(xué)習(xí)導(dǎo)向型的解決方案。曾經(jīng)有過這樣的例子，我們熱切地盯著我鄰居們在用嶄新的機器學(xué)習(xí)算法，特別想知道如果我們能把其加入一些更奇特的模型中的話，能解決什么樣的問題。這種想法很容易就會把整個團隊帶到溝里去，最終很有可能建立一個非常強大的基礎(chǔ)設(shè)施來解決一個只存在于假想中的用戶問題。

在最初的浪漫餐廳推薦場景中，隱含著這樣一個事實：我們已經(jīng)完成了用戶研究（了解了我們的朋友），并確定了準確的用戶需求（至關(guān)重要的約會）。與機器相比，人類在各種形式的生成性用戶研究（采訪、焦點小組、觀察研究）中都非常出色——這些都需要極大的同理心和非結(jié)構(gòu)化的人際互動。無數(shù)的研究（包括麥肯錫最近的一份報告）反復(fù)重申，人類在具有這些特征的領(lǐng)域會繼續(xù)超越機器。至少在可預(yù)見的未來，人類仍將是識別這些主要問題的關(guān)鍵。

標記特征

人類參與機器學(xué)習(xí)的另一個常見用途是利用人類的直覺來識別特征和標記數(shù)據(jù)集。例如，“舒適和昏暗的氣氛”是人類可以添加到餐館的數(shù)據(jù)集里的一項功能，從而使推薦變得更加敏感和微妙。

在這一步中，生成性研究方法也派上了用場——我們可以要求用戶對其用例的相對重要性進行排序。一旦機器學(xué)習(xí)算法可以通過用戶研究獲取、識別，收集或推斷數(shù)據(jù)，并在培訓(xùn)模型中使用它們就變得非常簡單。

評估結(jié)果和改進算法

最終，我們是否提供了一個好的建議取決于實際的經(jīng)驗。但我們?nèi)绾卧u估算法的有效性，并不總是像詢問我們的朋友約會是否成功那樣直接。

由于許多功能都是在自然情況下進行交互的，因此很難將產(chǎn)品對用戶的影響區(qū)分開來，反之亦然。例如，我們已經(jīng)了解到，只要向用戶展示可能與他們的原始意圖無關(guān)的可見元素，我們就能影響到用戶認為重要的東西（例如，在用戶尋找回家服務(wù)時向用戶顯示地圖），從而導(dǎo)致一個毫無幫助的反饋循環(huán)，誤導(dǎo)數(shù)據(jù)反饋到培訓(xùn)模型中。

幸運的是，在這種情況下，生成性用戶研究幫助我們了解用戶在做決定時，對不同功能的重要性的看法。這些定性研究發(fā)現(xiàn)，能為“如何”和“多少”提供“為什么”，從而使我們能夠更合理地解釋數(shù)據(jù)并改進算法。

我們?nèi)祟悜?yīng)該繼續(xù)把注意力集中在我們最擅長的事情上，比如創(chuàng)造性地思考，為他人建立同理心，等等。而且這些用例的范圍非常之廣。就在今年早些時候，麻省理工學(xué)院的研究人員發(fā)現(xiàn)，即使對于一個客觀的優(yōu)化用例來說，算法仍然可以受益于人類直覺的增加。對于那些更加偏向于主觀的領(lǐng)域，比如根據(jù)用戶當(dāng)前的需求、心情和公司來選擇一家餐廳，人類直覺在塑造和引導(dǎo)過程中繼續(xù)發(fā)揮著重要作用。

本文由 @郝鵬程 授權(quán)發(fā)布于GrowthHK，未經(jīng)作者許可，禁止轉(zhuǎn)載。

增長黑客文章薦讀：

《隨著大數(shù)據(jù)和人工智能的廣泛應(yīng)用，5個搶手的大數(shù)據(jù)成為趨勢》
《Google 發(fā)布會看圖的人工智能，讓人工智能擁有跟人一樣的判斷力》
《沒有泡沫的啤酒不夠美味，產(chǎn)業(yè)AI將是刺破人工智能泡沫后的金礦》

GrowthHK（Growth Hacker）：增長黑客是依靠技術(shù)和數(shù)據(jù)來達成各種營銷目標的新型團隊角色。從單線思維者時常忽略的角度和高度，梳理整合產(chǎn)品發(fā)展的因素，實現(xiàn)低成本甚至零成本帶來的有效增長…