人工智慧啟蒙（3）機器學習解決問題的全部流程

上篇文章（人工智慧啟蒙（2）：機器學習的優勢）我們講了機器學習是實現人工智慧的重要方式，相比基於具體規則的傳統方式有很大的優勢。

今天我們來講下用機器學習解決實際問題的整個過程。

我們可以拿人類學習作為模擬。

學校的教學目標之一是為了提高能力掌握技能，以便學生更好的解決問題。那如何衡量學生能力情況呢。通常是通過考試的分數來評價。如果學生分數高就認為能力不錯，分數低則認為還需要繼續提高。

每個學生會有很多課本、練習冊、輔導書等學習資料，在老師的講解下學習和鞏固知識，通過考試來檢測知識掌握情況。如果考試成績不好，就說明知識還沒有掌握，需要查漏補缺繼續提高；如果考的不錯的話就認為已經掌握了這種技能可以解決工作中的問題。

用機器學習解決實際問題的整個過程也是相似。

第一步定義問題，相當於把我們學習的時候能不能掌握知識的問題轉化成學生考試成績高低。

第二步收集資料，資料就相當於學習時候的教材、課本、練習冊等學習資料。

一般我們會把資料分為兩類，一類用於訓練，一類用於測試，用來學習的一堆資料稱為【訓練集】，用來考試的一系列試題稱為【測試集】，平時做練習的題目和考試的題目盡量不會相同，用於訓練的和用於測試的資料也不能夠相同。

第三步訓練，相當於我們從書本、教材的學習過程。訓練就是計算機從給到訓練集中學習，結果就是為了讓機器具有某種解決問題的能力，就相當於人類掌握某種知識技能用於解決問題一樣，稱之為【模型（model）】

第四步測試，相當於我們考試。利用測試集檢驗機器模型訓練的情況。根據測試的結果和我們的具體要求來決定是直接進入第五步——應用，還是重新回到第二步——收集資料。

如果測試結果很好，就認為模型訓練得很好，具備很好解決問題的能力，也就接著進入第五步，應用，以在生活中幫助人類解決實際問題了，比如說我們使用的人臉識別應用、google翻譯軟體等。

如果測試結果不好，就認為模型訓練的不理想，不夠智慧型（也就是智障），那就需要繼續收集資料繼續訓練，相當於我們根據考試成績查漏補缺繼續學習一樣。

第六步，監測。我們也會在實際生活中根據應用使用的情況不斷調整和訓練，讓應用更加智慧型更好的解決實際問題。

google ai怎麼樣讓之前提到的ai猜畫小歌猜懂我們的畫作呢？

ai猜畫小歌猜懂我們畫作就變成了能夠正確分類我們的畫作，比如說能正確分類345類我們的塗鴉。

根據定義的問題，收集這345個分類的資料，共有超過5000多萬張塗鴉作為資料。

機器從收集到的畫作中進行學習尋找規律，訓練出能夠分類345種畫作的模型。

接著測試模型，給ai猜畫小歌一堆訓練時沒有見過的畫作（也就是測試集），根據ai猜畫小歌猜測的準確率（相當於我們考試的正確率，比如滿分100分，考90分，正確率就是90%）以及實際的使用場景來確定下一步。

比如說自動駕駛上，計算機一旦識別錯誤，那就很有可能導致路人有生命危險，那就要求模型的準確率更加的接近百分之百。比如說在家庭掃地機械人上的準確率相比就可以低一些，所以經常會聽到調侃掃地機械人不是智慧型是智障。

如果準確率達不到要求，我們就要返回去重新收集資料重新訓練模型，相當於我們我們考試沒有通過，我們就要繼續查漏補缺繼續學習提高。

如果準確率還算滿意，我們就可以進行應用環節。

前面的步驟都是在自己內部研發的人使用和改進。應用環節就是，讓更多的人開始體驗和使用，幫忙更多的人解決生活或者工作中的問題。比如我們常用的語音識別法、人臉識別工具等。

我們在玩的ai猜畫小歌就是乙個發布出來的應用。但是在體驗使用的過程中我們也在不斷的塗鴉，也會發現有時候ai猜畫小歌也會猜錯。ai小歌也會收集我們畫的所有畫作重新學習訓練模型。

這也是監測環節在做的事情。收集資料和接受各類反饋，將解決不好的問題逐步的改進，逐步提高。慢慢的從智障變得越來越智慧型。

以上是機器學習解決問題的全部流程。

人工智慧啟蒙（3） 機器學習解決問題的全部流程