當下，人工智能已成為科技領域最熱門的技術。機器學習、深度學習、人臉識別、無人駕駛、NLP，各種名詞不絕于耳。人工智能的應用一方面在不斷改變我們每個人的生活方式，另一方面也在逐漸改變著企業(yè)的經營模式、決策方式。越來越多的企業(yè)經營者、高級管理人員、決策者都在這場了解人工智能的競賽中感到焦慮，他們意識到，人工智能即將從根本上改變他們的行業(yè)。
在這場轟轟烈烈的人工智能浪潮中，我們發(fā)現，對于商業(yè)企業(yè)來說，人工智能并沒有給他們帶來太多所謂的智能，它帶來的是智能的一個關鍵組成部分——AI預測。
預測是根據事物以往和現今的數據，通過一定的科學方法和邏輯推理，對事物未來發(fā)展的趨勢作出預計、推測和判斷，尋求事物的未來發(fā)展規(guī)律。預測不僅研究事物的本身，而且還要研究它和環(huán)境之間的相互作用、相互影響。預測的過程就是在調查研究或科學試驗的基礎上的分析過程，簡稱為預測分析。
預測實際上是一種填補缺失信息的過程。比如將非常規(guī)的信用卡交易歸類為盜刷，將醫(yī)學影像中的腫瘤分類為惡性，或是判斷當前拿著手機的人是否是真正的機主，即運用你現在掌握的信息（通常稱為數據），生成你尚未掌握的信息。這既包含了對于未來數據的時序預測，也包含了對當前與歷史數據的分析判斷，是更廣義的預測。
在人工智能技術介入前，預測早已隨處可見，小到個人股票投資，大到企業(yè)經營決策、國家制訂國民經濟發(fā)展規(guī)劃，社會的方方面面無不體現著預測的重要性。而人工智能的飛速發(fā)展，將為預測技術提供了更多可行的思路和方案，使得預測的準確度能夠得到有效提升，為各行各業(yè)提供超越傳統(tǒng)統(tǒng)計學分析的決策支持能力。
這當中，更為重要的是，AI預測更廉價。“如果某樣東西的價格下降，那么我們會更多地使用它。”——這是最簡單的經濟學，如今這種情況正出現在預測領域。運算的成本變得足夠低，繼而幫助我們快速找到成千上萬種應用方式。預測成本的下降也將影響其他東西的價值：比如提高互補品（數據、判斷和行動）的價值，以及降低替代品（人類預測）的價值
那么，預測技術發(fā)展到如今，何以稱得上智能呢？回過頭來看，應該歸功于更好的數據、模型和計算能力，它們促使預測技術飛速發(fā)展，從而走上“智能”之路。機器學習便是功臣之一。
歷史上，預測的主流分析方法是使用數據挖掘的一系列技術，而這其中被經常使用的是一種被稱為“回歸”的統(tǒng)計技術。回歸做的是什么？它主要是根據過去發(fā)生時間的“平均值”來尋找一種預測。當然，回歸也有很多種實現方式，有簡單的線性回歸，多項式回歸，也有多因素的Logistic回歸，本質上都是一種曲線的擬合，是不同模型的“條件均值”預測。
在機器學習之前，多元回歸分析提供了一種處理多樣條件的有效方法，可以嘗試找到一個預測數據失誤最小化，“擬合優(yōu)度”最大化的結果。但是，回歸分析中，對于歷史數據的無偏差預測的渴求，并不能保證未來預測數據的準確度，這就是所謂的“過渡擬合”。
與回歸分析不同，機器學習的預測不追求平均值的準確性，允許偏差，但求減少方差。過去，由于數據和計算能力的匱乏，機器學習的表現不如回歸分析來得好。但如今，一切都不一樣了，隨著數據體量的不斷增長，計算能力的不斷提升，使用機器學習和（神經網絡）深度學習來做預測效果比其他所有方法表現得都要更好，這使得我們利用統(tǒng)計學進行預測的方法發(fā)生了徹底的轉變。把人工智能與機器學習的最新發(fā)展作為傳統(tǒng)統(tǒng)計學的延伸與加強這是非常誘人的想法！
那么，如果僅僅是預測，為什么能稱得上“智能”呢？這是因為，某些情況下，我們預測的效果已經好到我們可以直接用來做決策，而無需再應用基于規(guī)則的邏輯。這其實也在改變著計算機編程的方式。
想象一下，原先復雜的業(yè)務場景下，基于“if...then...”以及傳統(tǒng)的統(tǒng)計學方法來實現的代碼邏輯，總是無法覆蓋所有的條件組合。而近年來，支撐預測方法進步的一種黑科技叫做“深度學習”，它與人類大腦有著類似的工作方式，利用“反向傳播”的方法從數據中不斷訓練、反饋、學習，獲取“知識”。就預測而言，隨著不斷的訓練、自我學習，預測模型會得到不斷優(yōu)化，預測準確性也在隨著學習而改進，而越來越高的預測準確性為商業(yè)決策提供了可信賴的基礎。
預測支持決策
一個完整的預測支持決策的回路包括下圖所示8個組成部分。這中間，數據在整個歷史數據輸入、模型訓練、數據預測、決策、執(zhí)行、結果收集、數據反饋的完整回路中流轉。
? 數據清洗與特征工程是有效輸入的核心。實際情況中，由于預測項目開始前對數據的統(tǒng)一管理不夠重視，對歷史數據進行清洗整理會占掉整個預測項目的近一半時間。數據質量的優(yōu)劣，其實是預測項目成敗極其重要因素。而有了優(yōu)質的數據，提取恰當的特征也是預測成功與否的重中之重。
? 足夠豐富的帶特征數據是預測模型得以訓練的基礎。
? 預測是決策的核心輸入。依賴訓練得到的模型與未來有限的確定因素，來為決策提供數據預測支持。
? 而決策執(zhí)行的結果又將反饋到訓練模型，優(yōu)化預測。
當下，人工智能已成為科技領域最熱門的技術。機器學習、深度學習、人臉識別、無人駕駛、NLP，各種名詞不絕于耳。人工智能的應用一方面在不斷改變我們每個人的生活方式，另一方面也在逐漸改變著企業(yè)的經營模式、決策方式。越來越多的企業(yè)經營者、高級管理人員、決策者都在這場了解人工智能的競賽中感到焦慮，他們意識到，人工智能即將從根本上改變他們的行業(yè)。
在這場轟轟烈烈的人工智能浪潮中，我們發(fā)現，對于商業(yè)企業(yè)來說，人工智能并沒有給他們帶來太多所謂的智能，它帶來的是智能的一個關鍵組成部分——AI預測。
預測是根據事物以往和現今的數據，通過一定的科學方法和邏輯推理，對事物未來發(fā)展的趨勢作出預計、推測和判斷，尋求事物的未來發(fā)展規(guī)律。預測不僅研究事物的本身，而且還要研究它和環(huán)境之間的相互作用、相互影響。預測的過程就是在調查研究或科學試驗的基礎上的分析過程，簡稱為預測分析。
預測實際上是一種填補缺失信息的過程。比如將非常規(guī)的信用卡交易歸類為盜刷，將醫(yī)學影像中的腫瘤分類為惡性，或是判斷當前拿著手機的人是否是真正的機主，即運用你現在掌握的信息（通常稱為數據），生成你尚未掌握的信息。這既包含了對于未來數據的時序預測，也包含了對當前與歷史數據的分析判斷，是更廣義的預測。
在人工智能技術介入前，預測早已隨處可見，小到個人股票投資，大到企業(yè)經營決策、國家制訂國民經濟發(fā)展規(guī)劃，社會的方方面面無不體現著預測的重要性。而人工智能的飛速發(fā)展，將為預測技術提供了更多可行的思路和方案，使得預測的準確度能夠得到有效提升，為各行各業(yè)提供超越傳統(tǒng)統(tǒng)計學分析的決策支持能力。
這當中，更為重要的是，AI預測更廉價。“如果某樣東西的價格下降，那么我們會更多地使用它?！薄@是最簡單的經濟學，如今這種情況正出現在預測領域。運算的成本變得足夠低，繼而幫助我們快速找到成千上萬種應用方式。預測成本的下降也將影響其他東西的價值：比如提高互補品（數據、判斷和行動）的價值，以及降低替代品（人類預測）的價值
那么，預測技術發(fā)展到如今，何以稱得上智能呢？回過頭來看，應該歸功于更好的數據、模型和計算能力，它們促使預測技術飛速發(fā)展，從而走上“智能”之路。機器學習便是功臣之一。
歷史上，預測的主流分析方法是使用數據挖掘的一系列技術，而這其中被經常使用的是一種被稱為“回歸”的統(tǒng)計技術。回歸做的是什么？它主要是根據過去發(fā)生時間的“平均值”來尋找一種預測。當然，回歸也有很多種實現方式，有簡單的線性回歸，多項式回歸，也有多因素的Logistic回歸，本質上都是一種曲線的擬合，是不同模型的“條件均值”預測。
在機器學習之前，多元回歸分析提供了一種處理多樣條件的有效方法，可以嘗試找到一個預測數據失誤最小化，“擬合優(yōu)度”最大化的結果。但是，回歸分析中，對于歷史數據的無偏差預測的渴求，并不能保證未來預測數據的準確度，這就是所謂的“過渡擬合”。
與回歸分析不同，機器學習的預測不追求平均值的準確性，允許偏差，但求減少方差。過去，由于數據和計算能力的匱乏，機器學習的表現不如回歸分析來得好。但如今，一切都不一樣了，隨著數據體量的不斷增長，計算能力的不斷提升，使用機器學習和（神經網絡）深度學習來做預測效果比其他所有方法表現得都要更好，這使得我們利用統(tǒng)計學進行預測的方法發(fā)生了徹底的轉變。把人工智能與機器學習的最新發(fā)展作為傳統(tǒng)統(tǒng)計學的延伸與加強這是非常誘人的想法！
那么，如果僅僅是預測，為什么能稱得上“智能”呢？這是因為，某些情況下，我們預測的效果已經好到我們可以直接用來做決策，而無需再應用基于規(guī)則的邏輯。這其實也在改變著計算機編程的方式。
想象一下，原先復雜的業(yè)務場景下，基于“if...then...”以及傳統(tǒng)的統(tǒng)計學方法來實現的代碼邏輯，總是無法覆蓋所有的條件組合。而近年來，支撐預測方法進步的一種黑科技叫做“深度學習”，它與人類大腦有著類似的工作方式，利用“反向傳播”的方法從數據中不斷訓練、反饋、學習，獲取“知識”。就預測而言，隨著不斷的訓練、自我學習，預測模型會得到不斷優(yōu)化，預測準確性也在隨著學習而改進，而越來越高的預測準確性為商業(yè)決策提供了可信賴的基礎。
預測支持決策
一個完整的預測支持決策的回路包括下圖所示8個組成部分。這中間，數據在整個歷史數據輸入、模型訓練、數據預測、決策、執(zhí)行、結果收集、數據反饋的完整回路中流轉。
? 數據清洗與特征工程是有效輸入的核心。實際情況中，由于預測項目開始前對數據的統(tǒng)一管理不夠重視，對歷史數據進行清洗整理會占掉整個預測項目的近一半時間。數據質量的優(yōu)劣，其實是預測項目成敗極其重要因素。而有了優(yōu)質的數據，提取恰當的特征也是預測成功與否的重中之重。
? 足夠豐富的帶特征數據是預測模型得以訓練的基礎。
? 預測是決策的核心輸入。依賴訓練得到的模型與未來有限的確定因素，來為決策提供數據預測支持。
? 而決策執(zhí)行的結果又將反饋到訓練模型，優(yōu)化預測。
