深度学习和人工智能的发展，让科学家仿佛看了实现图灵智能目标的希望，各种研究方兴未艾。一时间似乎所有的产品和系统都被冠以大数据，云计算，机器学习之名，否则你就out了~~~
近来在做的事情与智能有关。我们手上有大量的数据，同时也有强烈的智能业务需求，但是如何把这些数据拿过来搞成一个智能系统呢？不巧的是，研究生阶段正好进行的是机器学习的研究，什么关联规则，分类聚类，自动编码，神经网络，说起来真是头头是道。看着眼前这些数据，当然第一反应是我要从这些数据来挖掘规则，找到智能的业务处理方法，然后设计一套性能和规则足够牛逼的系统来把这些业务通通机器搞定！
然而事实证明，一个成熟的智能系统，并不仅仅是由数据支撑的。就像一个人不可能完全理性一样，绝对的智能也许会造成严重的错误。
关于经验与智能的问题，我师父给我讲了个故事：战争年代，为了防御敌人的进攻，会在一些地方埋地雷，这些地雷通常会起到很好的保护作用。但是对于那些没有引爆的地雷，战争过程中，有可能会炸伤自己人，战争结束后，也需要专业的排雷专家进行探测和排除。这时，如果能有一个特别高级的智能检测系统，是不是就可以把雷全部除掉呢？理想状态下当然如此，但是在你完全没有数据和历史资料的时候，这个系统的执行结果，或许会比一个有经验的老兵更差。那么最好的方法是：以这个老兵的经验作为参考，同时参照其它原理规则来设计这个智能排雷系统。
在这个DT时代，相对于上面的故事，我们可能有了大量的数据，这些数据被视为宝藏，我们只要用技术手段和方法就可以从数据中发掘出规则，就可以在此基础上设计很多产品，不管是推荐，营销还是智能业务处理。基于这种理想化的思考，我们往往忽视了经验，也许你会说，经验就是训练过程中你所选择的特征，或者更进一步，经验也可以是你对参数的手动调整。这种说法没有问题，但是我们忽略的是对于一个复杂的事件过程，也许需要的判断已经不仅仅是类别和对错，而是一个连续判断，最后在多因子多参数下做出的决策。这时，经验对于智能系统来说是非常重要的。在设计这个智能系统之前，就需要把经验沉淀和抽象作为平台设计的一个步骤进行考虑，这也是无法避免的一个阶段。
所以，当你面对一个有海量数据，同时有复杂业务的系统时，还是沉下来问问有经验的人，或者去看看人工操作时，经验步骤是什么，理解透彻了再去思考智能要如何实现，这样或许会更好一点….
