机器学习到底在学什么?从一个把纸袋认成面包的模型说起

去年冬天,我在一家做便利店货架识别的公司待了几天。技术负责人翻出后台的一段录像给我看:摄像头盯着货架,算法每隔几秒吐一串标签。大部分时候挺准。画面里走过一个人,怀里抱着牛皮纸袋。系统犹豫了两秒,标了个面包。 他笑了笑,说这种错早就习惯了。 我没习惯。那袋子是浅褐色的,方方正正,边角有点鼓。搁人眼里,大概会先想到外卖,或者刚买的东西。模型看到的东西跟我不一样。它看到的是一堆数字。

它不认识猫,它只是在划一条线

把机器学习拆开看,其实没那么玄。你有一堆样本,每个样本被拆成一串数字——图片就是像素亮度,文本就是词的编号,传感器就是电压值。然后有个函数,吃进这串数字,吐出一个答案。函数里面有成千上万,甚至上亿个可以拧的旋钮。 训练做的事,就是拧旋钮。 怎么拧?先让它乱猜,猜完跟正确答案比一比,看看差了多远。这个差距叫损失。然后沿着让差距变小的方向,把每个旋钮微微动一下。重复几百万次。就这么回事。听起来笨得不行,可它管用。 我更喜欢另一个比方:你在纸上撒了一把红豆和绿豆,让机器画一条线把它们分开。二维平面上一条直线就够。要是豆子堆成螺旋形,直线就没辙了,得换成弯弯曲曲的曲线。所谓模型变复杂,说的就是这条线能弯到什么程度。
机器学习二维特征空间分类决策边界示意图
机器学习二维特征空间分类决策边界示意图
问题来了。线能弯,不代表它弯得对。

真正卡住人的,往往不是算法

我见过太多团队在这上面栽跟头。他们花三个月调模型结构,结果发现效果上不去,是因为标注数据里有一批标错了。或者更隐蔽:训练用的照片全是白天拍的,一到晚上,灯光偏黄,模型就开始胡说。这叫分布漂移。数据变了,模型还停在原地。 还有过拟合。这个词被讲烂了,但它的直觉其实很朴素——模型把训练集的每一个细节都背下来了,包括噪声。就像学生把练习册答案全记住,换个题型就懵。你在训练集上看它准得吓人,一上真实场景就露馅。 所以做这行的人有一半时间不在写模型,在处理数据。清洗、去重、补标签、做增强、划分验证集。枯燥。非常枯燥。但差分就出在这儿!
数据标注员在电脑前用矩形框标注图像数据集的工作场景
数据标注员在电脑前用矩形框标注图像数据集的工作场景
模型上线也不是终点。恰恰是起点。你得盯着它的输入分布有没有变,盯着它的输出有没有异常。有些系统会做灰度发布,先放一小部分流量进去,出问题立刻回滚。这套流程听着像运维,本质上也是机器学习工程的一部分。很多人以为训练完就完事了——没有。

几个我被问过很多次的问题

几个我被问过很多次的问题
几个我被问过很多次的问题
模型的参数越多就越好吗? 不一定。参数多意味着容量大,能拟合更复杂的关系,也更容易过拟合、更贵、更慢。选多大,取决于你手上的数据量和任务难度。数据少而模型大,基本等于自找麻烦。 它会取代人吗? 它会取代任务里的某一段,不是整个岗位。比如客服场景里,那些重复度高、答案明确的问题,交给机器挺合适。但用户真正发火的时候,转到人手上,往往就是这个系统设计得好不好的分水岭。人没被拿走,只是位置往后挪了。 我不懂数学,能上手吗? 能。现在工具链成熟到,你写二十行 Python 就能跑通一次完整的训练。当然,想做得深,线性代数、概率、微积分迟早要碰。不过顺序可以反过来——先做出来,再回头补为什么。 为什么大模型有时候在胡说八道? 因为它学的是什么样的文字序列更可能一起出现,不是什么是对的。这两件事重叠度很高,但不是一回事。它在没有把握的时候,也不会举手说不知道,它照样往下写。这个特性挺要命的。

把期待值调低,反而看得更清楚

把期待值调低,反而看得更清楚
把期待值调低,反而看得更清楚
这几年关于机器学习的说法越来越满。什么都往上套。我倒觉得,把它当成一台需要天天照看的机器,比当成魔法靠谱得多。 它靠数据活着。数据脏,它就脏。数据偏,它就偏。环境一变,它得重新适应。它不会替你决定该做什么,只会告诉你,在你给它的那些例子里,什么模式最常见。 那天临走前,我又问那位技术负责人,那个纸质袋子的事后来怎么处理的。 他说加了一批负样本,专门喂了各种形状的袋子。现在不怎么错了。 就这。加点样本,重训一遍,再上线。一点也不浪漫。

作者|科技

排版|科技

审核|知知

免责声明:市场有风险,选择需谨慎!此文仅供参考,不作买卖依据。如有侵权请联系删除。
文章名称:机器学习到底在学什么?从一个把纸袋认成面包的模型说起
文章链接:https://www.lfdjt.com/p/keji/a/25417.html