通过机器学习发现规则

早在1868年，乔治·布尔的妻子就转述了他对机器能力的看法：

在他们之间，他们用无法回答的事实逻辑最终证明，计算和推理，就像编织和耕作一样，不是为了人的灵魂，而是为了铁和木的巧妙组合。如果你花时间做机器可以比你自己做得快的工作，那应该只是为了锻炼。

自从克劳德·香农（Claude Shannon）应用布尔的工作来构建第一块电路板以来，我们已经走了很长一段路，这预示着计算机时代的到来。正如他所预测的那样，现在大多数计算和推理链都是通过“铁和木的巧妙组合”完成的。我们刚刚意识到硅在完成这项工作方面可能会更好一些。

布尔自己一生所做的事情将是他认为机器不可能做到的。他正在研究支配思想本身的规则。換句話說，他正在走向更高層次的推理，超越日常生活的規律計算。

虽然我们离能够以类似于布尔和其他人的方式利用哲学的人工智能还很远，但我们正在接近一种更微妙的计算思维形式。机器学习可以用来发现生活某些领域的不直观规则。

机器学习的能力

关于机器学习将如何取代所有其他解决问题的模式已经写了很多。最流行的建议之一是，我们应该放弃基于规则的机器学习方法。

在我看来，这种观点过于理想化。用机器学习解决问题可以通过基于规则的方法解决，这是对资源的浪费。模型，尤其是更复杂的模型，可能非常昂贵，并且需要大量维护才能保持准确性。

在一个拥有无限资源（包括计算和财政）的理想世界中，这些差异无关紧要。然而，在商业中，我们总是在严格定义的范围内工作，因为任何资源的使用也意味着机会成本。

因此，我们最好选择使用基于规则的方法解决所有问题。但是，这会遇到其他复杂的问题，例如并非所有问题都具有可以通过规则解决的已定义边界。

机器学习擅长解决两种类型的挑战。任何需要概率答案的问题都可能由模型而不是基于规则的任何问题来完成。机器学习非常有价值的另一个领域是规则不明确的时候。

在商业中，我们有时可能不确定如何回答具体问题。例如，自助结账流程应遵循哪些规则？构建这样的功能几乎有无限的可能性，但我们一直在寻求最大化结果。换句话说，我们希望自助结账会带来最多的转化。

来自机器学习模型的推理

一个常见的反对意见可能是，一些机器学习模型，如深度神经网络，本质上是黑匣子。我们永远不确定引擎盖下发生了什么，所以从它们中提取规则就像没有它们一样多的猜测。

幸运的是，在商业应用中，我们不需要像逻辑学家或科学家那样精确，他们试图揭示思想、语言或宇宙的基本块。为我们指明正确方向的见解足以为以某种方式做事创造理由。

换句话说，在构建预测自助服务客户系统最佳结果的模型时，我们并没有试图定义一些不变的人类行为法则。我们只是在研究一系列公认的不断变化的情况，并试图找出解决这些问题的最佳方法。

因此，回到同一个例子，随机森林算法，从事件会话和用户活动中提供足够的数据，可以概述最具预测性的输出。这些将指示在自助服务过程中受哪些用户影响最大。

这些产出可能不是开创性的，甚至不是广泛的，因为它们只在相当有限的环境中工作。但是，对于工程师，设计师和内容编写者来说，它们足以执行优化，从而带来更好的转换。

然后，可以将这些见解转换为基于规则的算法。因此，机器学习模型可以为我们提供一种方法来发现我们可以在业务实践中实施的环境规则。

结论

希望机器学习将取代基于规则的系统是没有根据的。后者通常比复杂的机器学习模型更高效、更便宜。由于企业总是对效率视而不见，基于规则的系统将继续存在。

与通常认为的不同，机器学习可用于补充基于规则的系统。虽然有可能将一个系统组合成一个系统，但前者也可以用来获得洞察力，然后可以实施到后者中。

最后，机器学习不应该被认为是解决技术问题的万能药。这是应该深思熟虑使用的众多可能性之一。其中之一是确保我们在其他系统中做出更好的决策。

审核编辑：郭婷