重访黑匣子

LNS研究经常遇到的一个问题是，如何不仅向工厂人员，118金博宝app而且向运营管理层解释人工智能(AI)和机器学习(ML)，以便他们能够充分理解它们，并对它们给予合理的信任。换句话说，足以让它们被用于预测性维护和其他基于数据科学的应用程序。

首先，让我们看看关于AI、ML、统计和黑盒的一些定义。虽然人们可以谷歌这些并得到一系列的定义，但我决定查看一些以数学、数据科学和技术方面的优势而闻名的主要大学:加州理工学院、斯坦福大学、麻省理工学院和剑桥大学的艾伦·图灵研究所(艾萨克·牛顿爵士的母校，牛顿和他的同时代人戈特弗里德·莱布尼茨都是数学巨人之一，图灵也在20岁^th世纪)。请注意，统计是1749年在德国创造的一个术语，大约在牛顿里程碑式的出版《自然哲学的数学原理》60年后。在这里，我们不会尝试解决所有的AI, ML是其中的一部分。有趣的是，学术专家们在定义上存在差异和细微差别，这使得许多领域存在激烈的争论。然而，以下是:

统计数据

统计学是一门涉及数据的收集、组织、显示、分析、解释和表示的学科。传统统计学包括数据采集、频率和推理。贝叶斯统计与频率统计不同，频率统计将概率视为经过多次试验后事件相对频率的极限，因为它是基于概率表达对事件的信任程度。相信的程度可能是基于对事件的先验知识，比如之前实验的结果，或者个人对事件的信念。

人工智能

剑桥大学艾伦·图灵研究所表示，“人工智能或‘AI’没有公认的定义，但这个术语经常被用来描述机器或系统执行通常需要人类(或其他生物)脑力才能完成的任务，例如理解口语、学习行为或解决问题。这类系统有很多种，但广义上讲，它们由运行算法的计算机组成，通常利用数据。”

机器学习

算法科学:对算法的科学研究和应用，计算机系统用来执行特定任务而不使用明确的指令，即不使用编码，而是依靠模式和推理

黑盒

一种设备、系统或物体，可以根据其输入和输出(或传输特性)来观察，而不需要了解其内部工作原理。

统计学、人工智能和机器学习之间的区别是什么?

在这里，我通过我在石油工程师协会的行业会员身份，通过西弗吉尼亚大学石油与天然气工程教授沙哈布·莫哈格博士于2019年11月写的一篇文章，找到了最好的解释。Mohaghegh博士解释如下，我的评论用斜体字括在括号里:

“AI和ML并不是从任何预先确定的模型或方程开始的。为了将变量与目标输出相关联，他们没有从任何关于变量可能具有的行为类型的假设开始(这就是统计学的作用)．AI和ML的特点是从现有数据中发现模式。开放AI和ML算法的强大之处在于它们在大量变量中发现高度复杂模式的惊人能力(这是我们工程师，即使有统计学，也不能轻易做到的)．由AI和ML算法开发的模型的最终结果通常不能用一个或几个方程来概括(例如，我们的工程愿望是通过一组基本方程来表达物理关系)．这就是为什么许多工程师喜欢使用“黑匣子”这个术语。“从数学的角度来看，使用AI和ML开发的模型包括一系列生成模型结果的矩阵。因此，这些模型(盒子)没有什么是不透明的。”

来源:Mohaghegh博士的文章引用了Yaser Said Abu-Mostafa博士的演讲*，加州理工学院电子工程和计算机科学教授

那么，黑匣子真的是黑的，也就是完全不透明吗?也许不是。也许把黑匣子称为“水晶球”是一个更好的比喻，它的外部是透明的，但当你往中心深处看时，它就变得黑暗和不透明。

但这又引出了两个问题:首先，这是否意味着AI和ML优于统计方法和基本物理方程?一点也不。事实上，文献中有很多将这三种技术一起用于解决问题的案例。因此，虽然AI和ML可能会得到所有的关注，但实际的解决方案依赖于应用数学和各种类型的模型的完整工具集。

第二，数据能解释一切吗?当然不是。事实上，根据数据科学方法的不同，数据处理、抽样和偏差可能会产生错误，从而导致糟糕的模型。这就是为什么我们不能仅仅把数据留给数据科学家，而是应该使用工程师(以及其他工厂人员)、数据科学家和IT组成的协作团队来解决复杂的问题。

这给我们带来了什么?我们应该如何看待AI和ML?由于机器学习是关于识别数据中的复杂模式，所以机器学习应该被视为另一种工具，帮助工程师识别操作异常并预测未来的行为，这是传统分析方法难以或无法做到的。因此，虽然AI和ML可以改变游戏规则，实现性能的逐步变化，但它们并不是完全不可知或无法理解的东西，当然也不值得害怕。

参考:https://pubs.spe.org/en/dsde/dsde-article-detail-page/?art=6215