一份麦肯给公司高管定制的机器学习指南.doc

一份麦肯锡给公司高管定制的机器学习指南  HYPERLINK /m3134208113/ ?机器之心?2015-09-23 12:21 来自麦肯锡 机器之心编译出品 作者：Dorian Pyle 参与成员：柒柒，汪汪，anthea12 机器学习基于一种算法，该算法从数据中获得学习能力，而无需依靠基于规则的编程。随着数字化的进步和计算能力日趋便宜，使得数据科学家能够停止建造模型，转而训练计算机来进行这一工作，因此机器学习在20世纪90年代晚期作为一门科学学科出现在了大众的视野中。目前全世界瞩目的大数据因其难以管理的巨大数量和复杂性增加了使用机器学习的潜能——以及对机器学习的需求。 2007年，斯坦福人工智能实验室主任李菲菲放弃了给计算机编程来识别物体这一工作，开始给百万幅3岁小孩都认得的原始图像打上标签，将这些图输入到计算机中。通过向计算机输入成百上千张带有标签的图片，比如说标示这些图片为猫，计算机能够自行判断一组特定的数码像素是否真的是只猫。去年11月，李菲菲带领的团队开发出一个程序，能够高精度地识别出任一图片中的视觉元素。IBM的沃森机器在2011年依靠类似的从成百上千的潜在答案中自发生成的评分系统打败了Jeopardy！游戏中的世界最佳玩家。 虽然这些壮举如此耀眼，但机器学习完全不像是人类感官类的学习。然而它在分析任意量的数据和所有变量组合方面已经做得非常出色了——将来也会做得更好。由于机器学习是在最近才刚刚作为主流管理工具涌现出来，这经常给我们带来些疑惑。在这篇文章中，我们列举了一些我们经常听到的问题，并以一种我们希望对任何使用者来说都能有用的方式予以解答。现在是时候解决这些问题了，因为由机器学习强化的商业模型带来了骤然飙升的竞争力。确实，管理学家Ram Charan表示「任何现在还不会使用数学或无法迅速掌握数学的机构都将是行将就木的公司了。」 1. 传统行业如何利用机器学习来收集新的商业视点？ 好，让我们从体育开始。今年春季，美国NBA赛事的参赛者依赖于一家加州机器学习创业公司的二次谱法分析，通过数字化过去几个赛季的比赛，创造了预测模型，使教练能够分辨出如其CEO Rajiv Maheswaran所描述的「得分的差射手，和不得分的好射手」，以此来调整他的战略部署。 没有比通用电气更值得尊敬或更传统的了，它是历经119年道琼斯工业指数上唯一留下的老成员了。通用已经通过处理从深海油井或飞机引擎收集到的数据来优化其表现力，预见故障和提升维护效率，从而赚到了亿万美元。但是去年年底从IBM离职后作为软件研发部副总裁加入GE的Colin Parris认为，在数据处理能力、传感器和预测算法方面的持续改进不久将会对其公司独特的喷射引擎带来深刻影响，这不亚于谷歌对西好莱坞一位24岁网民的在线行为带来的影响 2. 北美之外的地方如何呢？ 在欧洲，超过数十家银行更换了旧的统计分析模型，用上了机器学习技术，在某些情况下，新产品的销售提升了10个百分点，资本支出节省了20个百分点，兑现收集增加了20个百分点，流失损耗减少了20个百分点。银行通过为零售客户和中小型企业设定新的推介引擎实现了上述目标。他们也建立了宏观目标模型，来更加精确地预测哪些人会取消服务，或无法归还贷款，以及如何最优的介入这一切。 更贴近生活些的，最近一篇麦肯锡季刊上的报道指出，我们的同行已经将硬性的分析学应用于软性的人才管理这类事物中了。去年秋季，他们测试了由外部供应商提供的三种算法和内部自研的一种算法，这些算法主要通过检验扫描的简历，预测这家公司最终会在超过10000名的应征者中录取哪些人。预测结果与实际结果十分贴切。有趣的是，机器所选的应征者中女性占据稍高的比例，这保证了利用分析技术来使概况更加广泛，并克服了隐藏的人类偏见性。 随着模拟世界越发的数字化，我们通过研发测试算法从数据中学习的能力对于那些现在被视为传统商业的情况来说只会越来越重要。谷歌首席经济学家Hal Varian将之称之为「计算机持续改进」。他认为，「只是因为大量产品改变了曾经的组装方式，持续改进改变了曾经的制造业情况，所以持续的『通常也是自动化的』实验将会改善我们在机构中优化商业过程的方式。」 3. 机器学习的早期基础是什么？ 机器学习基于大量的早期构造模块，起始于经典统计学。统计推论确实为当前人工智能的落实构建了重要基础。但需要意识到经典统计学技术在18世纪到20世纪早期得到了发展，应用于很多比我们现在处理的小的多的数据组中。机器学习不受统计学预设的假设限制。因此，它能够得出人类分析师看不到的见解，并做出精度更高的预测。 最近，在20世纪30年代到40年，计算机先驱（比如阿兰·图灵，他对人工智能有着深刻持久的兴趣）开始研究并改善基本技术，比如使今天的机器学习成为可能的神经网络。但这些技术留在实验室