早在1868年，喬治·布爾的妻子就轉述了他對機器能力的看法：

在他們之間，他們用無法回答的事實邏輯最終證明，計算和推理，就像編織和耕作一樣，不是為了人的靈魂，而是為了鐵和木的巧妙組合。如果你花時間做機器可以比你自己做得快的工作，那應該只是為了鍛煉。

自從克勞德·香農（Claude Shannon）應用布爾的工作來構建第一塊電路板以來，我們已經走了很長一段路，這預示著計算機時代的到來。正如他所預測的那樣，現在大多數計算和推理鏈都是通過“鐵和木的巧妙組合”完成的。我們剛剛意識到硅在完成這項工作方面可能會更好一些。

布爾自己一生所做的事情將是他認為機器不可能做到的。他正在研究支配思想本身的規則。換句話說，他正在走向更高層次的推理，超越日常生活的規律計算。

雖然我們離能夠以類似于布爾和其他人的方式利用哲學的人工智能還很遠，但我們正在接近一種更微妙的計算思維形式。機器學習可以用來發現生活某些領域的不直觀規則。

機器學習的能力

關于機器學習將如何取代所有其他解決問題的模式已經寫了很多。最流行的建議之一是，我們應該放棄基于規則的機器學習方法。

在我看來，這種觀點過于理想化。用機器學習解決問題可以通過基于規則的方法解決，這是對資源的浪費。模型，尤其是更復雜的模型，可能非常昂貴，并且需要大量維護才能保持準確性。

在一個擁有無限資源（包括計算和財政）的理想世界中，這些差異無關緊要。然而，在商業中，我們總是在嚴格定義的范圍內工作，因為任何資源的使用也意味著機會成本。

因此，我們最好選擇使用基于規則的方法解決所有問題。但是，這會遇到其他復雜的問題，例如并非所有問題都具有可以通過規則解決的已定義邊界。

機器學習擅長解決兩種類型的挑戰。任何需要概率答案的問題都可能由模型而不是基于規則的任何問題來完成。機器學習非常有價值的另一個領域是規則不明確的時候。

在商業中，我們有時可能不確定如何回答具體問題。例如，自助結賬流程應遵循哪些規則？構建這樣的功能幾乎有無限的可能性，但我們一直在尋求最大化結果。換句話說，我們希望自助結賬會帶來最多的轉化。

來自機器學習模型的推理

一個常見的反對意見可能是，一些機器學習模型，如深度神經網絡，本質上是黑匣子。我們永遠不確定引擎蓋下發生了什么，所以從它們中提取規則就像沒有它們一樣多的猜測。

幸運的是，在商業應用中，我們不需要像邏輯學家或科學家那樣精確，他們試圖揭示思想、語言或宇宙的基本塊。為我們指明正確方向的見解足以為以某種方式做事創造理由。

換句話說，在構建預測自助服務客戶系統最佳結果的模型時，我們并沒有試圖定義一些不變的人類行為法則。我們只是在研究一系列公認的不斷變化的情況，并試圖找出解決這些問題的最佳方法。

因此，回到同一個例子，隨機森林算法，從事件會話和用戶活動中提供足夠的數據，可以概述最具預測性的輸出。這些將指示在自助服務過程中受哪些用戶影響最大。

這些產出可能不是開創性的，甚至不是廣泛的，因為它們只在相當有限的環境中工作。但是，對于工程師，設計師和內容編寫者來說，它們足以執行優化，從而帶來更好的轉換。

然后，可以將這些見解轉換為基于規則的算法。因此，機器學習模型可以為我們提供一種方法來發現我們可以在業務實踐中實施的環境規則。

結論

希望機器學習將取代基于規則的系統是沒有根據的。后者通常比復雜的機器學習模型更高效、更便宜。由于企業總是對效率視而不見，基于規則的系統將繼續存在。

與通常認為的不同，機器學習可用于補充基于規則的系統。雖然有可能將一個系統組合成一個系統，但前者也可以用來獲得洞察力，然后可以實施到后者中。

最后，機器學習不應該被認為是解決技術問題的萬能藥。這是應該深思熟慮使用的眾多可能性之一。其中之一是確保我們在其他系統中做出更好的決策。

審核編輯：郭婷