机器学习 | 用算法改变生活

正文字数：1970字

图片总数：24张

引言：机器学习是聊天机器人和预测文本、语言翻译应用程序、Netflix 向您推荐的节目以及社交媒体提要的呈现方式的幕后推手，它为自动驾驶汽车和机器提供动力，可以根据图像诊断医疗状况。“在过去的5年或10年里，机器学习已经成为一种关键的，甚至最重要的方式，它把人工智能的大部分工作都完成了。”麻省理工学院斯隆教授说。所以人工智能和机器学习这两个术语几乎是同义词，目前人工智能的大多数进展都与机器学习有关。

Trouble Maker

Design by:梁玉清 & 傅一波

麻烦制造者是一个游戏小工具，使用马尔可夫链为真心话大冒险生成随机提示。真心话大冒险是一款经典的派对游戏，它使玩家在回答棘手问题或执行具有挑战性的任务之间陷入两难境地。然而，取消提示是游戏的一个常见痛点。不断设计聪明的提示是具有挑战性的，你可以在网上找到的提示通常是有限的，而且内容重复。

设计者提出了一种使用Markovify生成提示的创新方法，Markovify是一种基于Markov Chain的简单机器学习生成器。Markovify根据前一个单词预测下一个单词，但不是整个句子。事实上，这个机器学习模型并没有真正理解每个句子的真正含义，导致提示的荒谬性，并使其更加不可预测。通过使用一系列选定的输入，包括荒谬和严肃的内容，Morkovify可以为玩家带来超出人类想象的“无限”挑战。

马尔可夫链是一种随机模型，它基于概率生成随机结果。在文本生成过程中，马尔可夫链模型根据前一个单词预测下一个单词。与 GPT-3 等预训练文本生成模型相比，马尔可夫链模型实际上对输入文本的理解非常差，这意味着生成的结果意义不大。这种原始ML应用程序的荒谬性和真心话大冒险游戏本身的荒谬性是完美的匹配 - 机器学习中的“错误”如果放在正确的位置会很有趣。

此外，预先训练的ML模型相当复杂和繁重，这意味着它们的计算成本很高，需要更好的机器。较重的模型也需要更长的时间来训练和运行，这对游戏工具来说将是一场噩梦。由于机器学习的不可预测性，即使使用更智能的模型，结果仍然存在很多不确定性。

Markovify作为一种更轻的型号，环保且易于使用。出于生成真心话大冒险提示的简单目的，Markovify 是更好的选择。

ResApp

Design by:Udantha Abeyratne team

ResApp在澳大利亚开发，是应对诊断呼吸系统疾病挑战的数字解决方案。使用智能手机即时诊断和管理呼吸系统疾病。使用人工智能，ResApp可以倾听患者的咳嗽声，并实现快速，低成本的护理点和呼吸系统疾病的远程诊断。经临床验证，ResApp 的准确率超过 85%，能够改变当今呼吸系统疾病的诊断方式。

这款名为ResApp的应用程序使用机器学习来分析咳嗽声，并就该人感染病毒的机会发表意见。在测试过程中，该应用程序在 92% 的使用它的人中正确检测到 Covid-19。为了进行测试，开发人员注册了来自美国和印度的 741 名患者，其中包括 446 名 Covid-19 患者。参与者填写了包含症状信息的表格，并在安装了该应用程序的智能手机上咳嗽。

开发人员表示，该应用程序最初将用于需要频繁进行covid测试的环境中。这包括旅行、体育、娱乐和健康相关地点。科学顾问委员会成员Catherine Bennett教授说：“ResApp测试的简单性，易用性和无限可扩展性将受到世界各地公共卫生当局的欢迎。

Netflix

Designer:Netflix

Netflix 通过其流媒体平台从根本上改变了电视和电影的参与度。Netflix不仅能够为消费者提供易于访问且价格合理的内容，而且还在此过程中生成了数十亿数据。这些新发现的数据使 Netflix 能够利用机器学习（ML）为所有用户提供超个性化的体验。

Netflix 已成为最大的电视流媒体提供商，在 190 个国家/地区拥有超过 2.2 亿用户。Netflix 包含超过 4，000 个节目的一致流，需要一种方法来定制用户体验，以便订阅者更容易找到相关节目。

他们通过基于 ML 的推荐算法找到了解决方案，允许 Netflix 使用相关内容策划每个用户的页面。用于识别订阅者正在观看的内容，Netflix 上的每条内容都有一组标签：类型、演员、评级、成功和赞誉等。Netflix的算法将查看订阅者的隐式和显式数据：观看，搜索和评级历史记录，这些数据将用于将相关内容馈送到订阅者的页面上。此外，Netflix 将寻找具有相似观看历史的订阅者，如果足够多的志同道合的订阅者观看了该节目，则向整个群体推荐该节目。

为了成功地将电影海报定位到每个订阅者，Netflix 使用了机器学习（ML）。经过批量学习和A / B测试的反复试验，Netflix 决定使用contextual bandit来领导他们的 ML 框架。上下文强盗会测试许多预测的行为，并可以了解哪些操作会产生最有利的结果。Netflix 在模型的预测中使用从随机化中获得的训练数据。Netflix称之为他们的数据操作阶段——此时，海报图像的数量和他们使用的订阅者数量将被用来决定数据探索阶段的广度。然后将海报随机应用于不同订阅者的仪表板，上下文contextual bandit会了解哪种海报对每种用户最有利的结果。