我挺好奇，问老板什么时候开始搞这个推荐的？老板擦着手说，大半年了吧，原来不管谁来都是默认放桂花的，现在不一样，谁来过吃过啥，它自己记着自己推，销量居然涨了小两成。
你看，这就是机器学习。不是只有阿尔法狗下围棋、ChatGPT写作文才叫机器学习，你点外卖的推荐、导航选的不堵车路线、手机相册自动给你分类人脸，全是它在干活。
它不是”写死的规则”，是自己学会找答案
很多人一听”机器学习”四个字就头大，觉得满页都是看不懂的公式。其实说白了很简单，原来我们用的程序，都是人把规则一条一条写死的。比如商场做活动，满100减10，满200减30，程序员就把这两行规则敲进去，谁来都是按这个算，一点错没有。但要是碰到那种说不清楚规则的事呢？
比如让机器认猫，你怎么写规则？猫有尖耳朵？折耳猫不服。猫有毛？无毛猫哭给你看。你就是写一万条规则，总有漏网的猫。
机器学习的思路不一样，不给规则，只给例子。你给它扔十万张照片，每张都标好”这是猫””这不是猫”，让它自己一遍一遍刷，刷得多了，它自己就能摸出规律：原来长这样的就是猫啊。下次扔给它一张没见过的图，它就能说出是不是猫了。
它活没活对不对？
普通人对机器学习的几个常见误区
第一个误区，就是把机器学习等同于人工智能。其实人工智能是个很大的概念，从最早会下棋的程序到现在的聊天机器人，都能算人工智能。机器学习只是人工智能里，目前最好用也最火的一个方法，现在出圈的生成式AI，本质上也是机器学习里的深度学习分支，别搞混了。第二个误区，觉得机器学习都是瞎蒙的，一点不准。其实它不是瞎蒙，是算概率。它给你推半糖冰美式，不是它瞎猜你要喝这个，是它算出来，你点半糖冰美式的概率是78%，比其他所有口味都高，所以才放第一个。当然也会错，你今天就是想换个口味喝全糖的，很正常，概率高不代表百分之百对嘛。
第三个误区，说机器学习马上就要取代所有人上班了。我认识好几个做算法的朋友，天天吐槽加班，加在哪？不是调模型，是整理数据。
一堆用户上传的数据，什么奇奇怪怪的都有，年龄写999，地址写”我家”，照片拍糊了标错了，都得人一点点改，一点点标对了，机器才能学得会。机器哪懂你填999岁是瞎写的？它当真了你说怎么办？
说白了，现在所有能落地的机器学习，背后都是一堆人在给它擦屁股。它取代的都是那种重复整理数据的活，真正要做判断拿主意的，还得是人来。
说点不跟风的冷思考
原来做个机器学习模型，得养一堆算法工程师，花好多钱，只有大公司玩得起。现在不一样，云服务商有现成的预训练模型，小商家花几百块钱就能接上，把自己的营业数据喂进去，就能用，算库存推产品都能干。这才是真的改变普通人生活的事。
当然问题也不少，最常见的就是大家常说的过拟合，换成人话讲就是”见得太少，认死理”。你给模型喂的一万只猫全是橘猫，它就会觉得只有橘色的才是猫，碰到黑猫就不认得了。
现在很多模型都有这个毛病，训练用的数据全是大城市年轻人的上网数据，推给三四线的中老年人，推荐的东西全不对路，这不是模型笨，是喂给它的数据就不对。
不过话说回来，这两年也慢慢好起来了，越来越多做模型的人开始关注数据的多样性，不再只拿一线城市年轻人的数据凑数。
我上个月跟一个做医疗机器学习的朋友吃饭，他说他们做的胸片读片模型，对小结节的识别率已经比平均水平的大夫高了，但医院还是要求必须大夫看过才能下诊断，模型只给人做辅助，提个醒。
我觉得这状态就对了。从一开始的神化，到现在慢慢落地成工具，机器学习本来就是个帮人干活的东西，不是什么改变世界的魔法，更不是要抢人饭碗的怪物。
今天你出门，打开导航它给你选了不堵的路，打开外卖它推了你爱吃的那家店，你可能都没感觉，这就是机器学习最好的状态——悄悄干活，不凑热闹。
说不定刚才你点咖啡，它又给你推对了口味呢。
作者|科技
排版|科技
审核|安然