正常人类的AI/ML

[00:00:16]再见。欢迎来到X-Force数据峰会。今天，我们请来了Paul Battisson，他是Cloud Galacticos的首席运营官，这是一家总部位于英国的Salesforce咨询公司。保罗要讲的是机器学习和正常人的人工智能。

[00:00:35]你知道，希望我们都是普通人，听着这个演讲，都能从中得到一些东西。拿去吧，保罗。

00:00:45超级。谢谢你！所以，欢迎大家来参加这次演讲。这是机器学习和正常人类的人工智能。如前所述，典型地…好了，

[00:00:57]如前所述，我叫佩尔·巴提松。我是Cloud Galacticos的CEO, 7次获得Salesforce MVP, 13次获得Salesforce认证。我是一名Salesforce教练，在网上很容易找到我。听了这些之后，如果你想听更多，请在twitter上找到我@ pbattisson.com或paulbattisson.com，我还在YouTube上运营cloudbites TV频道，这是Salesforce管理员、开发人员和架构师的免费学习资源，地址是@cloudbitestv或cloudbits . TV

[00:01:29]那么让我们开始吧除了被邀请之外，我为什么要做这个演讲?因此，在过去的几年里，人工智能和机器学习方面AI和ML的使用出现了真正的激增。而且，你知道，我们可以通过谷歌趋势图看到这一点，你知道，谷歌显然是我们如何知道任何东西变得流行的答案。

[00:01:55]正如你在这里看到的，这是机器学习这个词的搜索图。这些年来，它的受欢迎程度大大下降了。从2015年开始就相当低了。2019年底是最流行的术语之一。所以，是的，这些术语有很多使用，我们也可以通过Gartner的炒作周期看到这一点。

[00:02:16]我这里有三年的炒作周期，我们可以看到人工智能和机器学习这两个术语出现了很多次，以及它们的不同变体。所以，无论是深度强化学习还是通用人工智能，然后是，你知道，人工智能平台即服务和边缘人工智能。

[00:02:35]我现在最喜欢的是可解释的人工智能。我们所看到的是，尽管科技行业有各种各样的方法来为某件事取不同的名字，但这只是一项非常受欢迎的技术，是一种正在出现的真正趋势。

[00:02:55]所以我想再解释一下。正如我在演讲标题中提到的，我想让它对真实的人类更容易解释。

[00:03:05]我的专业是数学。实际上我有一个数学学位，而不是计算机科学学位。大约在10年前，15年前，在我还没有做Salesforce的时候，我就开始研究机器学习系统了。大约在2013年，2014年，我和我的同事Jennifer Wire在Dreamforce做了一个演讲，我们在Apex建立了一个机器学习系统。

[00:03:29]如果我们足够明智，你知道，建造一些更产品化的东西，我们就可以在爱因斯坦出现之前建造它，但是，你知道，这是我们当时正在做的一个主题，我们真的把它放在一起，因为人们告诉我们，你不能在万博max手机网页登录Apex做这样的事情。这是一个挑战。但我们这么做的部分原因是为了更深入地了解这项技术。

[00:03:48]我认为那是……这是一个很好的例子，说明技术无法发挥作用，因为Siri介入了。但是，我想，你知道，我认为任何技术的关键是，对它感到满意，是了解它在底层是做什么的。对我来说，机器学习和人工智能对很多人来说仍然是一个黑盒子。

[00:04:11]所以让我们打开盒子试着了解里面发生了什么。在我们开始之前，我们想从一些定义开始。我们得到的第一个定义是什么是人工智能?AI指的是人工智能。我想我们都做到了。它有效地让计算机以可靠的方式完成某种任务。

[00:04:32]更一般地说，它是在没有明确告诉它如何做的情况下让它这样做。好吧。你知道，解决这一切的黄金灵丹妙药是人工通用智能，它有点像人类。这就是你可以给它任何问题的地方它会自行解决。考虑这个问题的一个很好的方法是，假设你找了一个12-13岁的孩子，让他们坐在桌子前，让他们做一个单词搜索，然后给他们一个点对点的游戏，给他们一张上色的图片，也给他们一个故事让他们读。

[00:05:10]大多数12岁的孩子都能坐下来看看所有这些不同的东西，我希望大多数参加电话会议的成年人也能这样，看看这些不同的东西，找出他们需要做些什么。

[00:05:22]尽管它们只是一张纸上黑白两色的四种不同表现形式，但你的大脑能够迅速地接受它们，并以一种抽象的方式切换不同的上下文来理解该做什么。如果你让计算机尝试这样做，它必须首先识别出它是什么，然后开始处理它。

[00:05:40]这就是我们的终极目标，就是要有一个有点像人类的大脑，能够做到这一点，但我们还有很长的路要走。

[00:05:50]那么机器学习就是其中的一个子集。人工智能作为一个领域大约在20世纪50年代就出现了。这才是真正开始的地方。机器学习实际上是人工智能领域技术的一个子集。

[00:06:03]这些技术利用数据分析来达到特定的结果。因此，人工智能实际上是基于一般结果。因此，机器学习真正关注的是，如果我有这么大的一组数据，并仔细研究它，我能得到一个特定的结果吗?

[00:06:24]一个很好的例子就是数独你可以给一个机器学习系统很多很多的数独游戏，它几乎可以马上猜出要做什么。好吧。它可以做数据分析来分析整个游戏过程。

[00:06:38]举几个简单的例子。你所要做的就是在其中寻找一个模式并试图推断出一个解决方案。所以，我们有了更通用的人工智能术语，然后我们有了机器学习，这是一个子集。我们只是想推导出一个解。但在这一切背后，是统计数据。

[00:06:57]任何上过高中水平统计学课的人都知道统计学是收集数据集的信息，以便为你提供知识。对于那些在后台学过信息技术课程的人，我们记得有数据，有信息，有知识。这就是统计学，就是我们取一些数据，我们处理它来得到关于这些数据的一些信息。这几乎就是元数据。

[00:07:23]然后作为人类，我们可以获取元数据并从中获得一些知识。这是用底层数据计算出来的。想想平均值，想想中位数，想想众数，想想数字。所有这些都只是统计数据。你可以把这些组合成一系列的爬，走，跑，或者婴儿，儿童，成人，任何你想考虑的过程。

[00:07:48]但当你在爬行或像婴儿一样时，你只是通过重复来学习。那就是，你知道，对于那些有孩子的人来说，你会站在那里，你会说，妈妈或爸爸，直到你脸色发青，最终，婴儿会一直尝试，尝试，尝试，并向你重复它学到的东西，有点鹦鹉学舌的风格。

[00:08:07]这只是统计数据。这里没有新信息。你只是在重复信息。当你还是个孩子的时候，或者当你开始走路的时候，这就是在观察世界并从中推断出一些模式。

[00:08:20]所以，你知道，孩子们开始把事物拼凑在一起，他们可以看到它们之间的共同点，你知道，两个东西是红色的，或者两个球是不同的颜色，但却是相同的东西，即使它们的大小不同。这是第二种过程，实际上是机器学习，你根据之前的数据推断出一些东西并解决一个问题。

[00:08:42]我们现在所处的正是这种成年人设定的运行部分。也就是说，我们可以接受任何一般的任务，根据我们之前的知识，我们可以，即使是我们以前从未见过的东西，去找出如何去做。这才是成年人真正需要的技能。作为一个人，你知道，如果你是一名顾问、开发人员、管理人员或建筑师或其他什么人，你已经习惯了有人来找你说，我们有这个问题需要解决。

[00:09:13]你要做的是，你要在我以前做过的基础上，我要把这个抽象概念，交叉映射到另一个抽象概念，我这里的另一个问题，然后提出第三个抽象概念，这就是解决方案。这在我们做的事情中是非常非常强大的，我们甚至都没有想过。

[00:09:31]。那么，为什么人工智能和机器学习在最近几年爆发了呢?主要有三个原因。第一，有更多的数据，所以为了能够从这些事情中做更多的推断并收集更多的统计数据，你需要更多的数据。

[00:09:48]直到2000年之后，大多数组织才真正拥有所谓的大数据，所以我们需要更多的数据来做事情。然后我们需要能够对更复杂的数据进行更复杂的分析，你知道，历史上存储在系统中的大多数数据实际上是交易会计数据之类的。

[00:10:11]你知道，会计一开始主要使用计算机和机器。现在我们把所有东西都存储在那里，知识，图表，网络，所有这些不同的部分都存储在那里。我们正试图把它们拼凑在一起，并对它们进行更复杂的分析。

[00:10:27]最后是可扩展性。在过去的5到10年里，真正改变游戏规则的是云计算。存储变得超级便宜，处理能力变得超级便宜，这两者结合在一起意味着你可以处理所有这些数据，并以一种更经济有效的方式运行这些算法。所以，有些事情通常需要，你知道，如果有人需要10万个CPU周期来运行，以前可能需要几天或几周，现在可以在几分钟或几小时内完成。

[00:10:56]所以你可以对机器学习、人工智能、统计学有一个基本的了解，以及它们是如何组合在一起的。但我想更深入一些。我告诉过你，我想让你明白它是怎么运作的。我想看看这张图。

[00:11:12]这是一个神经网络，在这次演讲结束时，我的目标是让你们能够理解这三组不同颜色的点的作用。你看屏幕的左边，是输入层。就是绿点。在中间层之上，也就是橙色的点，是隐藏层。我们有输出层，用蓝点表示。在这次演讲结束时，我们希望能够理解这些东西在一个典型的人工智能机器学习算法中是怎么做的。好吧?

[00:11:42]现在我明白了这里现在看起来就是一团糟如果你以前从未见过这些图表，除了可能会想，“哦，有很多漂亮的图案出现了，所有的线都交叉在一起，”它看起来就像官样文章。

[00:11:57]它实际上是根据大脑的运作方式塑造的。每一个点代表大脑中的一个神经元。你的大脑有所有这些神经元连接在一起，相互发射，它们一直在这样做。这让你能够思考和理解事物。你知道，现在有数以亿计的人都在开火，当你听我说话，看着这张照片。

[00:12:18]所以我们的工作就是试着理解这张简单的图片到底在做什么。好吧?

[00:12:25]那么，让我们从一些数据开始。所以，我是一个超级足球迷，你知道，一直都是，永远都是。我喜欢做的一件事就是玩FIFA电子游戏。这是放松和玩耍的好方法。

[00:12:43]所以当我开始做这件事的时候，我想用一些我感兴趣的数据。当我还是个孩子的时候，我曾经玩过几款游戏，我真的会在那里坐上几个小时。有一款特别的游戏叫《足球经理》，我会花几个小时仔细研究关于足球运动员的数据表格。所以这真的让我回到了青少年时期。

[00:13:03]我这里有一个x轴的图。我们有一组特定数据的身高，FIFA球员的身高，单位是英寸。纵轴是它们的重量。我们想知道球员的腰围和身高的相关性有多大。

[00:13:23]记住，这是一组职业运动员，好吗?所以，应该有一些不错的相关性。他们应该相当健康。我们之前都见过，情节线和时间线，我相信每个人都用Excel做过。你能做的就是你可以抛开这些数据然后你可以开始做一些统计。

[00:13:42]他们给你一个情节线索，好吗?我们可以创建一个情节线，让我们看到这些数据的相关性有多好。所以我们可以看到的是，尽管我们在左手边有一堆数据。我看看能不能画高亮。在这一页的左下角，它告诉我们有很多矮个子玩家他们的权重各不相同。

[00:14:00]我们得到了一堆数据，是中等体重范围内的矮个子运动员。然后是稍微胖一点的球员。我们可以看到，我们有一条趋势线，一直贯穿这条线。这个趋势线给出了方程。Y等于1.45,1 X加68.123，在英语中意思是，如果我知道你的身高，用英寸来表示，我乘以1.45等于1，然后再加68磅。如果你的身高是72英寸，它会猜测你的体重应该在170-173磅左右，大概是这样。相当准确。它只是告诉我们你在这条线上的位置。

[00:14:40]然后我们得到了其他一些统计数据。我们有R平方，这是我们的误差，我们有这个字母P，或者实际上应该是希腊的，它告诉我们它们的相关性有多好。你可以看到相关性并不是很明显。好吧。这只是我们得到的两个输入数据。我们得到了高度和权重，从这里，我们可以看到它们并没有太大的相关性。

[00:15:02]那么让我们加入第三个指标。让我们开始考虑球员的年龄，因为你知道，当你是一名年轻的球员时，你的身高不会很高，尤其是年轻球员在15岁的时候就会在英国的足球队签约。所以，你知道，你还有很多成长的地方要做。当你是一名年纪较大的球员时，你可能不像，呃，你可能不像现在这样健康，我们应该说，你可能不像现在这样一直在球场上跑来跑去。所以，你可能会增加一点额外的体重。把这个变量加进去，我们就得到了一个三维图形。好吧。现在我们有了三组数据来做统计，然后我们就可以进行猜测了。

[00:15:39]但你可以看到这些工具是石墨。我的意思是，公平地说，这并不容易读懂。是的，我想大多数人都能理解这里有一团点，你可以在脑海中移动它来看到一些大致的趋势。但是，这是不可行的。

[00:15:58]所以这对人类来说是个问题，人类很擅长2D，也很擅长3D，但我们却不擅长4D。

[00:16:08]当我们前面谈到所有这些额外的数据，这些更复杂的数据时，让我们想想如果我们在Salesforce中处理机会的数据。

[00:16:21]假设你想计算出一些关于我们的机会的指标或统计数据，你可能想知道卖给那个账户的总金额。你可能想知道他们有多少产品。万博max手机网页登录

[00:16:30]你也许想知道他们的平均订单值。你可能想知道他们的收入，他们的盈利能力，他们离职的员工数量，他们今年计划雇佣的新员工数量。所有这些你可能想要不同的数字加入到你的计算中来帮助你更好地估计他们会订购什么或者你应该期望他们订购多少。但这很难做到。这里有一张很好的图片说明了这一点。你知道，当我们开始思考事物的不同维度时，它们很快就变得很难理解。

[00:17:05]所以一维立方体是一条线一个二维立方体是一个正方形，一个三维立方体是一个立方体，中间那个橙色的点实际上既是前角也是后角。我对这幅画从来都不满意，但我喜欢其他的画。

[00:17:20]当我们开始讨论四维立方体的时候大家都会头疼的我很冷静。是的。我很有信心，现在没有人坐在家里说，“哦，是的，六维立方体，我可以很容易地想象出来。”

[00:17:33]还有一个有趣的故事，我上大学的时候，有一次我在星期四早上9点去听讲座。你知道，即使是现在，我也不是早上9点最清醒的人。但作为学生的支持者，我绝对不是。演讲者走了进来，他们在9点开始说的第一件事是，好吧，想象你在一个九维立方体里。然后，他们就这样不停地进行着。而且，我，你知道，我从来没有想过想象一个九维的立方体，我不知道那个讲师是怎么做到的，或者他只是把它推迟了。

[00:18:09]但这是人类的一个问题，我们想象事物，你想要能够理解事物，但我们不能在更高的层次上做到这一点。对于机器来说，这不是问题。你的计算机不在乎它是一维的还是12维的，它只看到数字。这就是为什么当我们想要输入更多的数据点并且在一个更高维度的系统中工作时，机器学习系统会变得更加有用。

[00:18:36]所以，如果我们回到你的神经网络图片上，我们刚刚讨论的是绿色层。绿色的层是输入层。这些就是我们在不同维度上放入的所有数字。每个绿点代表一个维度。在我们的图片中，我们有三个，分别是身高，体重和年龄。

[00:18:57]我们可以有10个也可以有4个。没关系。我们的机器学习系统可以处理这个问题。我们也看了蓝色的一层，这是我们的客人，根据身高和年龄，体重应该是多少。这就是我们的输出数。所以，假设我们有一个特定的输入值，我们可以猜测我们期望的输出值，辩论。

[00:19:19]因此，很快地，仅仅通过看几个简单的图表，我们就明白了我们的输入是什么，我们的输出是什么，以及它们的含义。现在让我们进入更有趣更复杂的部分，也就是中间这一大块橙色。

[00:19:34]让我们回到这张图。我希望你们现在都在家里，希望视频正在录制，这样你们就能看到我。你像这样举起你的手臂，这样你看着它就像你看着蓝线一样。好吧。这是系统能从这些数据中得出的最好的情节。好吧?因此，误差被最小化了，因为它是最好的图。

[00:19:58]现在，如果你像这样把手臂向上倾斜，你的错误会更严重。好吧?因此，我们从上到下的其他点的位置有了更大的差距，从下到所有点的位置也有了更大的差距，这将增加我们的误差。如果我们回到原来的位置然后再走另一条路，我们的误差就会再次增加。

(00:20:18)好。所以我们说的是，当我们向这个或那个方向倾斜时，面积就会增加。现在，如果我们画一张图来表示我们的误差，我们会得到一条抛物线，对吧?抛物线实际上就是到趋势线的距离这就是误差。我们想要什么?

[00:20:40]我们要找到误差最小的地方，因为这样才能得到最好的结果，我们对将要发生的事情的最佳猜测。好吧?在机器学习算法中，我们的方法是通过一个叫做梯度下降的过程，这意味着我们要在这条曲线上，在这条抛物线上选择任何一点。

[00:20:58]我要试着从斜坡下去我们要猜测，从一边跳到另一边，从一边跳到另一边，这样我们就更接近那个点了，我们不能再好了。好吧。这就是机器学习算法的工作原理，那一大团橙色的点，它所做的一切，就是猜测，反馈这个猜测有多好，再猜一次，反馈这个猜测有多好，再猜一次，再猜一次，再猜一次，再反馈，再猜一次，再反馈，再猜一次。

[00:21:27]好了这就是它的作用这是通过所谓的学习率来实现的。所以，在这些系统中有一个值集，它是学习率，它是它尝试沿着这个梯度下降的速度。

[00:21:38]你可以设定一个很高的学习率，但问题是它可能会乱飞，甚至变得更糟。你可以有一个很小的学习率，但问题是，它可能需要很长时间去做所有这些猜测，然后向后，向前，向后，向前，向后，向前。所以我们要做的就是试着为你的系统找到最好的学习率。

[00:21:57]通常使用机器学习系统，你最终需要运行多次才能得到正确答案。好吧?你可以有很多不同的数据集得到不同的答案，你的工作就是从这些不同的数据集中找到最好的。这就是橙色区域的作用。

[00:22:13]当我们讨论二维数据时，这个误差图看起来很简单。如果我们再次获得三维数据，就会变得很好很简单。这里，这是我喜欢称之为茶巾图的东西。所以如果有人家里有毛巾，如果你抓住毛巾的四个角，把它们举起来，毛巾的中间部分应该下沉到中间，除非你是在反重力的情况下，在这种情况下，你在做一些完全不同的事情。

[00:22:41]但碗底是我们失误最小的地方。这就是我们想要得到值的地方。这就是我们要找的。这是一个理想化的情况。

[00:22:55]如果我们能得到这个图表你的数据就完美了你再也不用担心任何事情了，你可以放松一下。你不太可能得到这样的东西。这张图向我们展示了随时间变化的误差以及多维度的误差。如果你回想一下一分钟前我们用手臂做的动作，想象你在三维空间中用手臂做这个动作，前后移动，上下移动。

如果你在四维空间里做，你要前后，上下，左右做，随着时间的推移，你会开始得到非常奇怪和复杂的图。这些会给你不同的错误结果。我们可以看到，如果我们从点A开始，试着找到最小值，我们可能会找到所谓的局部最小值，也就是最小值，就在左边，但这并不是我们能得到的最好结果。

[00:23:46]我们可能会变得更糟，越过中间的小红色驼峰，然后到达全球极小值。我们不需要越过鞍点，鞍点就像马的鞍一样，来得到全局最小值。

[00:24:00]这就是为什么你可能想要运行你的机器学习系统很多很多次来得到很多很多不同的结果。这就是为什么可伸缩性和性能已经成为其中重要的一部分。因为如果你要运行一个过程，你知道，要进行不止一次的1亿次计算，你就需要很多电脑来完成它。

[00:24:19]所以，如果我们现在回到我们的神经网络，我们可以看到我们已经理解了这三个部分。所有的输入都是绿色的，这是我们不同的维度。它们会给我们一些蓝色装备的值，这是我们的输出维度。

[00:24:34]在中间，我们有这些隐藏层，所有这些隐藏层的作用是给出一些值作为猜测，看看这个猜测有多糟糕，反馈这个结果，然后再进行另一个猜测。实际上只有我和你坐在那里。如果我让你猜一个1到10之间的数字，你说的是7，我可以猜得更高或更低。然后你可以再猜一遍。然后我可以说更高或更低，直到我们找到正确的值。

[00:25:02]这就是所有这些东西在做的事情。现在，你明白了神经网络是如何工作的，你也明白了这个图是做什么的。当有人拿着机器抠图系统来找你，把这个贴在幻灯片上，说这一切都很复杂，实际上并不是。

[00:25:17]它只是想尽量减少错误。在这之后，我想以一些快速的，快速的操作方法或快速指南来结束。

[00:25:26]第一个问题是，我什么时候使用统计学、机器学习或人工智能?因为，你知道，它们都很棒，但你什么时候用呢?这里有一个非常简单的指南。

[00:25:36]如果你有一些定义明确的规则，那就用统计数据。如果你的数据量很小，你就知道你要找什么了。你很清楚它是怎么组合的。使用一些统计数据，看看你能走多远。这会给你大量的信息。而且有很多人并没有对他们的数据进行正确的统计。

[00:25:58] Salesforce让你在报告中很容易做到这一点。同样，如果你有更大的数据量，把它放在像爱因斯坦分析这样的东西里。这将允许您在更大的数据集上进行稍微复杂的统计，但仍然在那些定义良好的规则内。

[00:26:16]如果你确实有大量的数据，但你真的不知道这些数据是如何关联的，也不知道这些不同的片段在一起意味着什么，或者它对你来说太大了，无法用不同的维度来理解。然后你应该开始研究机器学习和人工智能。

[00:26:31]我一分钟前提到爱因斯坦分析的原因是因为我在Salesforce将分析和发现结合在一起的方式在爱因斯坦产品中确实有所帮助。万博max手机网页登录你可以先把你的数据放在爱因斯坦分析的仪表板和可视化中，然后你可以让发现运行，看看它是否给你一些有用的见解，然后开始做更多的机器学习。

[00:26:55]但我提出这个问题的原因是想看看它是否能给你一个有用的见解，我想用这个故事来结束:

[00:27:01]这是一架二战时期的飞机这是一张关于在这些飞机上发现弹孔的统计分析图。好吧?英国指挥部正试图找出他们应该在哪里增援飞机。于是他们拍下了这张照片，在上面画了所有的红点，他们试图确定应该把实际的增援部队放在哪里。问题是，他们提出的第一个建议是把它放在所有红点所在的地方。

[00:27:32]问题是你只能捕捉到返航飞机上的弹孔那些不能回来的飞机是你真正想要增加额外增援的飞机。因此，要记住的关键一点是，无论何时你得到任何输出，无论是你得到的统计数据还是从你的数据中运行的数据，无论是一些正在运行的深度人工智能还是机器学习的东西，给你一些输出，都要退后一步。想想看。

[00:28:01]这说得通吗?为什么?因为不然的话，你最终可能会强化错误的部分，然后就走了，按照别人告诉你的去做，而没有真正思考为什么。这就是人类和机器之间的真正区别，就是我们能够看到并真正理解那些没有着陆的飞机或那些需要在前面加强的飞机。

[00:28:20]谢谢大家的聆听。我希望你们喜欢这个。同样，如果你想在之后找到我问任何问题或了解更多，请在Twitter上关注我，@pbattisson， @ cloudbits .tv。还有一张8折或25折的优惠券，我想这是我的Apex测试课程如果你们感兴趣的话。