當(dāng)下，人工智能已成為科技領(lǐng)域最熱門的技術(shù)。機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、人臉識別、無人駕駛、NLP，各種名詞不絕于耳。人工智能的應(yīng)用一方面在不斷改變我們每個人的生活方式，另一方面也在逐漸改變著企業(yè)的經(jīng)營模式、決策方式。越來越多的企業(yè)經(jīng)營者、高級管理人員、決策者都在這場了解人工智能的競賽中感到焦慮，他們意識到，人工智能即將從根本上改變他們的行業(yè)。

在這場轟轟烈烈的人工智能浪潮中，我們發(fā)現(xiàn)，對于商業(yè)企業(yè)來說，人工智能并沒有給他們帶來太多所謂的智能，它帶來的是智能的一個關(guān)鍵組成部分——AI預(yù)測。

預(yù)測是根據(jù)事物以往和現(xiàn)今的數(shù)據(jù)，通過一定的科學(xué)方法和邏輯推理，對事物未來發(fā)展的趨勢作出預(yù)計(jì)、推測和判斷，尋求事物的未來發(fā)展規(guī)律。預(yù)測不僅研究事物的本身，而且還要研究它和環(huán)境之間的相互作用、相互影響。預(yù)測的過程就是在調(diào)查研究或科學(xué)試驗(yàn)的基礎(chǔ)上的分析過程，簡稱為預(yù)測分析。

預(yù)測實(shí)際上是一種填補(bǔ)缺失信息的過程。比如將非常規(guī)的信用卡交易歸類為盜刷，將醫(yī)學(xué)影像中的腫瘤分類為惡性，或是判斷當(dāng)前拿著手機(jī)的人是否是真正的機(jī)主，即運(yùn)用你現(xiàn)在掌握的信息（通常稱為數(shù)據(jù)），生成你尚未掌握的信息。這既包含了對于未來數(shù)據(jù)的時序預(yù)測，也包含了對當(dāng)前與歷史數(shù)據(jù)的分析判斷，是更廣義的預(yù)測。

在人工智能技術(shù)介入前，預(yù)測早已隨處可見，小到個人股票投資，大到企業(yè)經(jīng)營決策、國家制訂國民經(jīng)濟(jì)發(fā)展規(guī)劃，社會的方方面面無不體現(xiàn)著預(yù)測的重要性。而人工智能的飛速發(fā)展，將為預(yù)測技術(shù)提供了更多可行的思路和方案，使得預(yù)測的準(zhǔn)確度能夠得到有效提升，為各行各業(yè)提供超越傳統(tǒng)統(tǒng)計(jì)學(xué)分析的決策支持能力。

這當(dāng)中，更為重要的是，AI預(yù)測更廉價(jià)。“如果某樣?xùn)|西的價(jià)格下降，那么我們會更多地使用它。”——這是最簡單的經(jīng)濟(jì)學(xué)，如今這種情況正出現(xiàn)在預(yù)測領(lǐng)域。運(yùn)算的成本變得足夠低，繼而幫助我們快速找到成千上萬種應(yīng)用方式。預(yù)測成本的下降也將影響其他東西的價(jià)值：比如提高互補(bǔ)品（數(shù)據(jù)、判斷和行動）的價(jià)值，以及降低替代品（人類預(yù)測）的價(jià)值

那么，預(yù)測技術(shù)發(fā)展到如今，何以稱得上智能呢？回過頭來看，應(yīng)該歸功于更好的數(shù)據(jù)、模型和計(jì)算能力，它們促使預(yù)測技術(shù)飛速發(fā)展，從而走上“智能”之路。機(jī)器學(xué)習(xí)便是功臣之一。

歷史上，預(yù)測的主流分析方法是使用數(shù)據(jù)挖掘的一系列技術(shù)，而這其中被經(jīng)常使用的是一種被稱為“回歸”的統(tǒng)計(jì)技術(shù)。回歸做的是什么？它主要是根據(jù)過去發(fā)生時間的“平均值”來尋找一種預(yù)測。當(dāng)然，回歸也有很多種實(shí)現(xiàn)方式，有簡單的線性回歸，多項(xiàng)式回歸，也有多因素的Logistic回歸，本質(zhì)上都是一種曲線的擬合，是不同模型的“條件均值”預(yù)測。

在機(jī)器學(xué)習(xí)之前，多元回歸分析提供了一種處理多樣條件的有效方法，可以嘗試找到一個預(yù)測數(shù)據(jù)失誤最小化，“擬合優(yōu)度”最大化的結(jié)果。但是，回歸分析中，對于歷史數(shù)據(jù)的無偏差預(yù)測的渴求，并不能保證未來預(yù)測數(shù)據(jù)的準(zhǔn)確度，這就是所謂的“過渡擬合”。

與回歸分析不同，機(jī)器學(xué)習(xí)的預(yù)測不追求平均值的準(zhǔn)確性，允許偏差，但求減少方差。過去，由于數(shù)據(jù)和計(jì)算能力的匱乏，機(jī)器學(xué)習(xí)的表現(xiàn)不如回歸分析來得好。但如今，一切都不一樣了，隨著數(shù)據(jù)體量的不斷增長，計(jì)算能力的不斷提升，使用機(jī)器學(xué)習(xí)和（神經(jīng)網(wǎng)絡(luò)）深度學(xué)習(xí)來做預(yù)測效果比其他所有方法表現(xiàn)得都要更好，這使得我們利用統(tǒng)計(jì)學(xué)進(jìn)行預(yù)測的方法發(fā)生了徹底的轉(zhuǎn)變。把人工智能與機(jī)器學(xué)習(xí)的最新發(fā)展作為傳統(tǒng)統(tǒng)計(jì)學(xué)的延伸與加強(qiáng)這是非常誘人的想法！

那么，如果僅僅是預(yù)測，為什么能稱得上“智能”呢？這是因?yàn)?，某些情況下，我們預(yù)測的效果已經(jīng)好到我們可以直接用來做決策，而無需再應(yīng)用基于規(guī)則的邏輯。這其實(shí)也在改變著計(jì)算機(jī)編程的方式。

想象一下，原先復(fù)雜的業(yè)務(wù)場景下，基于“if...then...”以及傳統(tǒng)的統(tǒng)計(jì)學(xué)方法來實(shí)現(xiàn)的代碼邏輯，總是無法覆蓋所有的條件組合。而近年來，支撐預(yù)測方法進(jìn)步的一種黑科技叫做“深度學(xué)習(xí)”，它與人類大腦有著類似的工作方式，利用“反向傳播”的方法從數(shù)據(jù)中不斷訓(xùn)練、反饋、學(xué)習(xí)，獲取“知識”。就預(yù)測而言，隨著不斷的訓(xùn)練、自我學(xué)習(xí)，預(yù)測模型會得到不斷優(yōu)化，預(yù)測準(zhǔn)確性也在隨著學(xué)習(xí)而改進(jìn)，而越來越高的預(yù)測準(zhǔn)確性為商業(yè)決策提供了可信賴的基礎(chǔ)。

預(yù)測支持決策

一個完整的預(yù)測支持決策的回路包括下圖所示8個組成部分。這中間，數(shù)據(jù)在整個歷史數(shù)據(jù)輸入、模型訓(xùn)練、數(shù)據(jù)預(yù)測、決策、執(zhí)行、結(jié)果收集、數(shù)據(jù)反饋的完整回路中流轉(zhuǎn)。

? 數(shù)據(jù)清洗與特征工程是有效輸入的核心。實(shí)際情況中，由于預(yù)測項(xiàng)目開始前對數(shù)據(jù)的統(tǒng)一管理不夠重視，對歷史數(shù)據(jù)進(jìn)行清洗整理會占掉整個預(yù)測項(xiàng)目的近一半時間。數(shù)據(jù)質(zhì)量的優(yōu)劣，其實(shí)是預(yù)測項(xiàng)目成敗極其重要因素。而有了優(yōu)質(zhì)的數(shù)據(jù)，提取恰當(dāng)?shù)奶卣饕彩穷A(yù)測成功與否的重中之重。

? 足夠豐富的帶特征數(shù)據(jù)是預(yù)測模型得以訓(xùn)練的基礎(chǔ)。

? 預(yù)測是決策的核心輸入。依賴訓(xùn)練得到的模型與未來有限的確定因素，來為決策提供數(shù)據(jù)預(yù)測支持。

? 而決策執(zhí)行的結(jié)果又將反饋到訓(xùn)練模型，優(yōu)化預(yù)測。