您也许不是 F1 赛车的狂热车迷,但是,很难不去欣赏这样迷人的机器。流线造型、美丽车身、疾速飞驰、全车充斥着迷人的科技,甚至巴望着自己狭窄的小车也能有一点点的相像。

如果去思考今日机器学习是什么概念,似乎有点象是在讨论F1赛车—强而有力、风情万种、进展快速,在 Jeopardy 游戏中连连获胜,甚至连复杂的围棋都成为手下败将。

这景象足以让人啧啧称奇,但是机器学习有另外一个特点:就是我们也能够走到方向盘的后面,自己用力地踩下油门。除了电视上的竞赛及桌上的游戏,我们更能够利用机器学习的技巧,解决自身的复杂问题及业务上的困难。

简而言之,这技术能为您带来获利。

更重要的是,与 F1 赛车相比,我们不是只能沾个边,摸一点小东西,譬如换档拨片或是可变阀动定时器之类的。这次,我们可以掌控整辆车,包括司机。

对于商业经营者来说,这产生了一个问题:您想要到达什么地方?或是更精确的说,利用机器学习可以解决您什么样的问题?一个能够帮助研究人员赢得比赛的科技,能够如何帮助您赢得新客户?


深度学习可以帮助才华洋溢的酿造师酿造更好的啤酒。

深度学习与游戏理论

来思考一下 AlphaGo 在一系列围棋竞赛中的表现。AlphaGo 有个对手,是围棋大师李世乭,还有一个明确的目标—在所有规定与游戏限制之下赢得赛局。AlphaGo 接受训练理解围棋游戏,然后找到一个模式,让它能赢多输少(AlphaGo 在五场比赛中赢得了四场)。

在这个事件中,李世乭仿如一个游戏角色或机器人(agent)。当 AlphaGo 习得了游戏的所有极限,以及如何进行互动的交互关系,最终则打败了李世乭这个”游戏角色”。现在我们把相同的要素放进自驾车的领域。

驾驶行为是更为复杂的情况,因为对应的是多角色(agent)的环境,其他的人物角色(agent)则是路上其他的驾驶者,车水马龙的道路就是游戏板,充满了多变性与随时异变的状况。

您可以拜访我们深度学习的资源中心网页,了解更多关于该如何利用深度学习来帮助业务成长的信息。

在驾驶情境中的所谓 “胜利”,可能是安全地从家里开到工作地点,同时注意不会面临没油的窘境,或者可以是以最快的速度上班(且确保安全)。不同的驾驶者将选择不同的约束条件,有着不同的目标。与其他角色产生互动的同时,在设定操作规则的状况下,目标可能会达成(或者失败)。

场景从无人驾驶车转换到了无人机,您会发现 Amazon 正想利用机器学习,自动飞行机器人来解决包裹递送的问题。对 Amazon 来说,”胜利”就是迅速而安全地,空运一双鞋子到达正确的地址。

如果您相信万物皆可游戏化(gamification)的理论,几乎人类从事的任何行为,甚至是机器行为,都可以幻化成一个游戏,有着许多规则与目标。那么就很容易可以理解,机器学习可能有着无穷尽的应用方式。

深度学习可优化制造流程

现在来到了制造业生产线,这里的”胜利”可能是极大化地生产商品,并且通过品管测试。机器学习的概念可以被用在训练系统,若用技术上的术语来说,就是训练深度神经网络(DNN)系统,然后细腻地调适所有制造流程中的参数,以期达到目的。之后甚至可以将这些参考变量,向垂直产业延伸,涵括整个供应链,以及外部供应商等等。

有了正确的资料,DNN 网络可以持续不断地运作,优化整体商业运作模式,达到想要的目标。可能是在旺季时注重生产量,在淡季时候注重效率。当部份的零组件卖到缺货,整个系统的数值会随着改变,于是调拨机制将自动进行调适。

更好的啤酒、更高的获利、更精准的预测

Analytical Flavor Systems 公司,是一间专注于软件、位于宾州的新创公司。该公司使用机器学习来帮助顾客,譬如利用啤酒品酒师所给予的信息,酿造更令人畅快的啤酒。该公司的 DNN 产品叫做 Gastrograph,能够辨识数十种的啤酒种类,然后仔细分析饮酒者可能的喜好特征,或者建议他们改喝其他竞争品牌的啤酒。

NBA 的金州勇士队(Golden State Warriors)和克里夫兰骑士队(Cleveland Cavaliers)都在使用一间 L.A 的 Second Spectrum 公司的服务。利用机器学习的技术,采集而来的计算机画面及数据,来预测个别球员会在不同的情境下,做出什么样的反应。(譬如假设当初能够预测科里在总决赛时暴跌的三分球命中率就太好了)。然而有些事情也不需要复杂的机器学习技术才能决定,勇士队延揽了 Kevin Durant,就是为了补足队上攻防的缝隙。

旧金山的新创金融科技公司 Affirm,在产品开发的每个阶段也利用机器学习技术,从产品原型到正式生产,最终开发出的信用及诈欺模型,能够帮助公司判断哪些借款人是值得投资的,譬如他们成功地融资给卖翻天的 Casper mattress 床垫公司。以 Affirm 的案例来说,”胜利”代表的是将正确的金额借贷给正确的客户,利用深度学习的模型判断谁真的会还钱。

深度学习如何帮助商业发展?

不难理解,对 Google、Facebook、Amazon、Netflix 等大数据公司来说,机器学习是一个强大的工具。但是您也可以从上述案例中发现,包括啤酒、个人信贷、油井探勘到篮球,现今所有各行各业,很快也得加入深度学习的行列。

“大数据”这个耳熟能详的词汇已经行之有年,许多公司也早已加入这个行列,CEO 和 CTO 大多意识到在商业流程中收集资料的重要性,但这只是第一阶段。

第二阶段则是必须找到精练的方式来分析消化这些资料。现在我们进入的是第三阶段,就是将机器学习的技巧带入资料分析这件事情上

机器学习能够帮助商业活动发展更具前瞻性,打造对结果有更高预测能力的预测模型,也能够更明确地指出该如何改善,或是该加强业务的哪个部分。

与早期雷声大雨点小的大数据相比较,现在的机器学习拥有更多实际运作的案例,展现出令人惊喜而有价值的成绩。不仅在游戏中击败专家与达人,更普遍的范例象是 Apple Siri 日常运用,还有比人工检测更快更准确的 MRI 癌症检测等等。此外,机器学习技术也帮助广受喜爱的 SaaS 平台持续提升准确率与性能,让HR与资料中心的管理更加轻松。

更令人惊喜的是,诸如 Google、Facebook、Amazon 还有 NVIDIA 等产业巨头,相对以开放的态度提供自家的软件工具,让机器学习更容易入门。这些大公司甚至会提供付费的技术支援,让您更快上手。

当然不是说这些公司在做慈善事业,机器学习的服务及硬件方面,很明确地显露了庞大的市场商机。作为企业主,您不需要自己延揽一群数据科学家,只需要将公司里需要解决的问题丢出来。

身为公司的 CEO 或 CTO,您必定知道什么事情能够让自己的公司获得转变。切莫被机器学习的新潮应用给迷惑,先思考自己面临的问题,有什么是可以被自动化工作处理或改善的。

机器学习就象是一辆又快又炫的车,但是您必须先上车驾驶它,才能到达您的目的地。