从问答节目和围棋比赛中击败人类，到广告中出现种族偏见而受到抨击，我们似乎已经进入了一个人工智能发展步伐迅速加快的时代。但就目前而言，我们还无法让机器具备完整的感知能力，使其电子“大脑”能够通过合理的道德判断完成复杂的认知任务。目前的发展趋势，让人们普遍对人工智能的未来感到恐惧。最近流行文化中这种情绪的表达表明我们对这项技术是多么谨慎和悲观。问题是恐惧会产生严重的后果，有时会滋生无知。了解人工智能的内部运作是缓解这些焦虑并帮助人们负责任和自信地参与的好方法。人工智能的核心是机器学习，这是一种巧妙且相当普遍的工具。但要了解机器学习，我们首先需要弄清楚为什么机器学习利大于弊。数据是关键简单来说，机器学习就是教计算机如何分析数据并使用算法来解决特定的任务。例如，在手写识别的情况下，分类算法根据人的笔迹识别文本。住房数据集使用回归算法来量化房产的售价。因此，机器学习归结为数据。几乎每个企业都以某种方式生成数据，例如市场研究、社交媒体、学校调查和自动化系统。机器学习程序试图在庞大的、看似杂乱无章的数据集中寻找隐藏的模式和关联，构建可以预测行为的模型。数据有两个重要的因素，样本和特征。前者代表群体中的个体因素；后者是个体因素的共同特征。以社交媒体为例。用户是样本，他们的使用习惯是特征。例如，Facebook使用“喜欢”活动的不同方面（因用户而异）作为重要特征，以此作为针对用户的广告的基础。Facebook好友也可以作为样本，他们与其他人的联系是一个特征，从而创建一个可用于研究信息传播的人际网络。Facebook好友网络：每个节点都是一个好友，与其他好友有联系或没有联系。节点越大，它拥有的连接就越多。相同的颜色代表相同的社交圈。除了社交媒体之外，在工业运营中用作监控工具的自动化系统使用整个操作的时间快照作为样本，并将特定时刻的传感器测量作为特征。这允许系统实时检测操作中的异常情况。所有这些不同的解决方案都通过向机器提供数据并教它们在对给定信息进行战略评估后自行做出预测来工作。这就是机器学习。以人类智能为起点，任何数据都可以转化为简单的概念，而任何机器学习程序，包括人工智能，都会将这些概念用作自己的构建块。解释完数据后，就该决定如何使用所获得的信息了。分类是最常见和最直观的机器学习过程之一。系统学习如何根据参考数据集将数据分类为不同的类别。这种编程可以直接关联到我们每天所做的各种决定，无论是对产品进行分类（例如哪些是厨具，哪些是美容产品），还是根据过去的经验选择观看哪些电影。这两个示例可能看起来完全无关，但它们都依赖于分类的基本假设：定义为给定类别的预测。例如，当拿起一瓶保湿霜时，我们会根据一组特定的特征（例如容器的形状或产品的气味）准确地预测它是美容产品。同样的策略也适用于电影选择，通过评估一组特征（例如导演或演员）并预测电影属于两个类别中的哪一个：好或坏。通过了解样本特征之间的不同关系，我们可以预测一部电影是否值得观看，甚至可以开发一个计算机程序来为我们做出预测。但是要掌握这些信息，我们需要一位数据科学专家，他必须擅长数学和统计学，并且具有良好的编程技能，对吧？不必要。我们都知道自己的母语足以应对日常生活，但只有少数人学习过语言学和文学。数学也是如此，它一直伴随着我们。购物或测量食谱的成分时，计算变化量并不难。同样，您无需精通机器学习技术即可有效使用它。是的，那里有专家数据科学家，但只要稍加努力，任何人都可以掌握基础知识并提高他们理解和使用信息的方式。将所有设计思想转化为算法，再转化为分类算法。假设有一种分类算法模仿我们做决定的方式。我们是群居动物，那么社交呢？第一印象很重要，我们都有一个心理模型，可以在与某人见面的最初几分钟内判断我们是否喜欢某人。这可能有两种结果：好印象或坏印象。我们考虑（甚至是潜意识地）每个人的不同特征（特征），无论是语调、外向、一般态度还是举止，基于我们所遇到的少数情况（样本）。对于我们遇到的每一个陌生人，我们心目中的模型都会将上述特征作为输入数据，并据此做出预测。我们可以将这个建模过程分解为一组输入数据，并根据它们与最终结果的相关性进行加权。对于某些人来说，吸引力很重要，而对于其他人来说，幽默感或对狗的喜爱更为重要。每个人都有自己的模型，这完全取决于自己的经验或数据。不同的数据会产生不同的模型，从而产生不同的结果。我们的大脑机制自行决定这些因素的权重，尽管我们并不完全了解这种机制的确切机制。机器学习所做的就是建立严密的数学方法，让机器计算出相应的结果，尤其是在我们无法轻易处理的大量数据的情况下。数据比以往任何时候都多，现在有了人工智能等工具，可以积极使用这些数据来解决实际问题，理解和使用它取决于我们所有人。这不仅仅是关于创建有用的应用程序，而是关于减少机器学习和人工智能的干扰。这并不是说我们应该放纵“具有类人思维的机器”的概念。但更多地了解人工智能的内在运作，会让我们主动去实现积极的改变，让我们能够控制人工智能，而不是反过来被人工智能控制。
