156-近在咫尺，走进人工智能研究【萌萌家】.pdf

156|近在咫尺，走进人工智能研究

2018-09-26洪亮劼来自北京

《AI技术内参》

在前面两次的分享里，我们聊了一些在人工智能领域快速入门的捷径，以及面对不同的论文或

别人分享的技术实践，我们该如何来选择技术。我们今天来看另一个话题：如何做人工智能研

究。

对于初学者来说，可能很多人会觉得人工智能研究离自己比较远，在工作中一时半会儿也接触

不到。但实际上，我们有必要了解做研究的一些基本原理，而且这些思路能够应用到我们的日

常工作中。

对于中高阶的工程师来说，能够在研究方向更进一步，我们就可以更好地理解优秀的学术论文

是怎么写成的，能够快速挖掘出论文的核心价值。同时，也可以把自己手上的工作总结成论文

发表出去，真正参与到学术社区的建设当中。当然了，即便我们不以写论文为目的，用做研究

的标准来要求自己平时的工作，也可以让很多工作更加严谨，这也是一种不错的进阶。

什么是人工智能研究

那到底什么是人工智能研究呢？

简单来说，只要是针对某一个问题，我们有新的方法、新的见解或是新的结果，这都是潜在的

研究成果。另外一方面，如果我们发现了一个新的问题，甚至是一个新的领域，那就更具备总

结出来加以发表的潜质。

你是不是已经注意到了，研究的一个核心要素就是“新”。这也是让很多初学者感到困惑的地

方：我们平时的很多工作看上去都那么普通，没有什么创新的地方呀！

其实，哪怕是在人工智能技术应用非常广泛的很多领域和场景，依然有相当多的地方存在创新

点，只是初学者不太容易注意到。我这里举几个例子，你可以感受一下。

例如，一个互联网网站经常使用在线测试，也就是通常所说的A/B测试，来判断这一个网站

的新功能（或者新特性）是否好于现在的版本。一个最基本的设置就是把现在的版本当做“对

照组”，然后把新的功能当做“实验组”，分别在50%的流量上运行这两个组别。然而，在

线A/B测试存在一些根本上的挑战。

第一，我们举例是把整个网站流量的一半用于测试某一个组别，而有一些小的改变在50%的

流量上可能需要2~3周的时间才能看出效果。而在真实情况中，拿来进行A/B测试的流量往

往是占比更小的，因此等到能够看出一个实验的效果需要很长时间，这本身就是一个非常耗时

的过程。

第二，如果我们测试的功能和收入相关，那么假设对照组或者实验组有明显的收入增加或者减

少，观察到了这样的结果，但是我们无法在实验的过程中动态地调整这个预先设置好的比例。

你看，关于传统意义上A/B测试所面临的难题，我们这里仅仅是列举了两条，其实还有很多

其他的问题。从这些问题出发，我们是不是就可以问问自己，能否找到节省A/B测试时间的

方法呢？能否让实验达到同样的效果但是使用尽可能少的时间？能否在A/B测试的过程中动

态调整用户或者流量的比例呢？这些问题，其实就都是研究课题。

再比如，传统的推荐系统非常适合电影推荐的场景，例如著名的Netflix大赛。经历了十多年

的发展后，推荐系统方法重点都集中在矩阵分解这样的协同过滤的方向上。那是不是这样的方

法就解决了所有的推荐问题呢？

我们试想一下，如果是电影推荐，我们作为一个用户，看了《纸牌屋1》之后，系统就给我们

推荐《纸牌屋2》、《纸牌屋3》以及这一个系列，虽然有一点重复，但依然是可以接受的非

常相关的推荐结果。那么，如果我们在一个电商网站上购买了一款佳能相机以后，系统依然给

我们推荐类似的相机，我们是不是就会觉得这样的推荐短期内意义不大了呢？

我们可以看到，推荐系统对场景有非常高的要求。对于一些特定场景的推荐，我们无法直接照

搬现有的方法。这个时候，这个场景，就需要一些创新，有可能是把现有的方法进行改进和调

整，也有可能是完全提出一些新的思路或新的方法。

说到这里，你是不是对人工智能研究的范围有了一个新的认识呢？按照我们在这里举例的思

路，你可以观察一下自己手边的项目，这里面或许就潜藏着不少值得研究的课题，说不定你就

能发现一个新的研究领域。

怎么做人工智能研究

由此可见，作为普通的工程师或者初学者，我们的工作中也有机会接触到研究课题和研究领

域。那么，接下来，我们就来看一看怎么做人工智能研究。这其实是一个非常大的话题，今天

我来给你提供一个简单的指南。

要做人工智能研究一般有这么几个步骤。

第一，好好总结一下在当前这个场景下，我们要解决的是什么问题，也就是针对要研究的问题

进行建模归纳。回到刚才所提的电商推荐的例子，我们需要解决的问题是把类似的相机过滤

掉？还是要推荐买了相机后其他的附件？还是要推荐相机的替代品？或者是要从根本上理解这

样的情况是怎么产生的，消费者的心理预期是什么