讀《怪誕腦科學：戰勝焦慮、混亂、拖延的自控術》有感

最近一段時間，一直在琢磨更好的AutoML，像我這樣的懶人，當然希望能最大限度的發揮自動化的威力。

從決策樹到随機森林，從支持向量機到神經網絡，從遺傳算法到強化學習，我發現他們都隻是解決了數據轉換和模式發現的問題，并未解決智能的問題。

如何讓算法更智能？一有時間，我就會到互聯網上去搜刮，可是截止到目前，并沒有找到讓我眼前一亮的新思路。

直到我讀了一本書《怪誕腦科學：戰勝焦慮、混亂、拖延的自控術》，頗有心得，遂記錄下來，以便日後查閱

可能有人會覺得奇怪了，一本并非計算機科學領域的書，怎麼能給人工智能的設計帶來啟示呢？我覺得好奇的朋友也可以看看，微信閱讀上就能看到（涉嫌免費打廣告了 ;-)）

1."克魯機"（kluge）

這是什麼鬼？作者在文中大量使用了“克魯機”這個詞語，反複的強調了一個觀點：不要把人腦看的過于神秘，人腦隻不過是漫長進化的産物，而進化過程中難免會有失敗的作品（比如盲腸等），所以人腦也是類似的（小腦和腦幹也很原始），人的身體中充斥着各種“克魯機”。

雖然沒辦法找到确鑿的證據，但我總感覺“克魯機”的觀點似乎好有道理。所以，我覺得在機器學習模型設計上，不能僅僅隻是一味的去探索和模仿人腦，而更應該用抽象思維去分析人腦處理信息的過程，所以更應該審慎的去看待目前火熱的深度學習模型（深度學習方向真的正确嗎？還是我們隻是找到了一個篩子）

而目前的決策樹和集成樹模型，從原理的角度看，似乎更科學一些（隻不過數據處理和加工需要投入更大的精力）

2.真正的智慧

這是作者給出的結論，我認為每條結論對個人的成長都有借鑒的價值，而更重要的是，能時刻正确分辨“智能”發展的方向：

2.1 盡可能考慮有無其他可行的選項

作者在這裡列出了冷靜思維、反向思維、虛拟思維的重要性，而這些是目前主流人工智能算法框架欠缺的，往往都是數據分析和建模人員的主觀勞動。

舉一個具體的例子，GAN生成對抗網絡采用了“反向思維”的思想，結果大獲成功，不得不說，這些思想就是人類智慧的寶藏，裡面還有很多東西可挖

2.2 重新界定問題

這個思想不必過多介紹，在我們的軟件開發、系統架構、數據分析、模型設計中其實都已經普遍采納，尤其是在項目的需求分析階段，重新界定問題關系到系統的成敗。懷疑一切、再三思考、更換思路、逆向思維、更換問題，是這個環節的重要套路

2.3 相關不等于因果

這是數據分析和特征工程工程中最容易犯錯的地方，即使是一個經驗老道的數據分析師，也會在這個環節犯錯，必須對這個推斷陷阱始終保持警惕。而目前的神經網絡模型在鑒僞方面，明顯存在不足，例如DeepFake産生的僞造人臉視頻，很多模型設計的細節就是錯把相關關系變成了因果關系。所以我個人覺得這個方面還有很大的提升空間

2.4 控制樣本大小

我們目前的機器學習模型，絕大部分都是建立在統計學基礎上，樣本越大，結論才會越準确。而我們在做數據分析和模型設計時，往往容易主觀忽視這一點，尤其是目前的很多Meta learn和RL的最新研究成果，往往都隻是在少量數據集上進行了實驗，而實際使用時，就會發現完全經不起考驗

2.5 預知沖動并事先約束

每個人本質上都是有偏見的，都受限于自身的認知和欲望。而數據分析的結論和機器學習模型也是有偏見的，取決于數據分析師和建模人員。所以我覺得，在人工智能模型設計環節，應該采取更開放和謹慎的态度去架構，對于沒有開放源碼、難以複現的研究成果，不要因為個人的欲望就去拼命專研，而應該謹慎的保持關注

2.6 始終要有備選方案

這也是人工智能中最讓人頭疼的地方，我們使用了決策樹，我們研究了運籌學和博弈論，但我們設計的智能程序卻總是“一根筋”，這是系統設計中最忌諱的，備選方案會提高系統的“智能”和“友好”水平。

以上6點都是對智能設計有借鑒的地方，當然作者還有很多其他建議：

1. 不要在疲憊的時候做決定
2. 始終不斷權衡收益和代價
3. 設想他人抽查你的決定
4. 和自己保持距離
5. 當心生動化的謠言
6. 挑選重點
7. 盡量理性

這些對個人發展都是很有益的，隻是目前在“智能”的設計上可能不會太相關。

以上就是我個人理解的人工智能啟示，也推薦大家看看這本書。

最後附上一張數據分析生命周期圖，結合數據分析的流程加強消化理解，也時刻提醒自己

當然，我的認知肯定也是片面的，歡迎大佬們來怼！參考文獻：K碼農-http://kmanong.top/kmn/qxw/form/home?top_cate=28

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!