【大咖・来了 第7期】10月24日晚8点观看《智能导购对话机器人实践》

从数据稀缺到现在有大量的数据，近年来，可用的数据量呈指数级增长，大数据变得无处不在。这是由于数据记录设备数量的巨大增长，以及这些设备之间通过物联网连接。似乎每个人都有收集、分析大数据的力量。

但是，大数据真的是万能的吗?毫无疑问，大数据已经在某些领域产生了至关重要的影响。例如，几乎每一个成功的人工智能解决方案都涉及大数据处理问题。

首先要注意的是，尽管AI目前非常擅长在大型数据集中查找模式和关系，但它仍然不是很智能。计算数字可以有效地识别并发现数据中的细微模式，但不能直接告诉我们这些相关关系中哪些实际上有意义。

相关性和因果关系

我们都知道“相关性并不意味着因果关系。“然而，人类的大脑天生就会寻找规律，当我们看到曲线倾斜在一起，数据中出现明显的规律时，我们的大脑就会自动给出规律。”

然而，从统计数据来看，我们仍然无法实现这一飞跃。《虚假相关性》(false)一书的作者Tyler Vigen在自己的网站上对此进行了调侃，还有很多例子比如展示冰淇淋是如何明显地导致许多坏事的，从森林大火到鲨鱼袭击和脊髓灰质炎爆发。

看看这些情节，人们可能会争辩说，我们很可能早就应该禁止冰淇淋了。 而且，实际上，在1940年代的小儿麻痹症例子中，公共卫生专家建议人们停止吃冰淇淋作为“反政治饮食”的一部分。幸运的是，他们最终意识到小儿麻痹症暴发与冰淇淋消费之间的相关性是“完全是由于小儿麻痹症的爆发在夏季最为普遍”。

在统计中，虚假关系或虚假相关性是一种数学关系，其中两个或多个事件或变量相关联，但由于某种偶然的或某些第三个未见因素的存在而因果相关(称为“常见响应”变量”、“混杂因素”或“潜伏变量”)。这样的“潜伏变量”的例子可以是冰淇淋销量与鲨鱼袭击之间的相关性(虽然冰淇淋销量的增长不会导致鲨鱼袭击人们)。但是，这两个数字之间有一个共同的环节，即温度。较高的温度导致更多的人购买冰淇淋以及更多的人去游泳。因此，这个“潜变量”确实是表观相关性的原因。幸运的是，我们已经学会将因果关系与因果关系分开。而且，在炎热的夏日，我们仍然可以享受冰淇淋，而不必担心小儿麻痹症爆发和鲨鱼袭击!

相关性的力量和局限性

有了足够的数据，将会发现计算能力和统计算法的模式。但并不是所有的模式都有意义，因为虚假模式的数量很容易超过有意义的模式。将大数据与算法结合起来，如果能正确地应用于解决问题，将是一个非常有用的工具。然而，没有科学家会认为你可以通过单独处理数据来解决这个问题，无论统计分析是多么强大，您应该始终基于对要解决的问题的基本理解来进行分析。

数据科学是科学的终结吗?

2008年6月，《连线》(Wired)杂志前主编C. Anderson写了一篇颇具煽动性的文章，题为《理论的终结:数据洪流使科学方法过时》(The End of Theory: The Data Makes The Scientific Method Obsolete)。“相关性取代因果关系，即使没有连贯的模型和统一的理论，科学也能进步。”

这种方法的强度和通用性依赖于数据量:数据越多，基于计算发现的相关性的方法就越强大和有效。我们可以简单地把数字输入计算机，让统计算法自动发现有趣的模式和见解。

但是，这种简化的分析方法也存在一些潜在的陷阱，可以通过John Poppelaars在博客上找到的示例很好地说明 ：

假设我们要为某些变量Y创建一个预测模型。例如公司的股价、在线广告的点击率或下周的天气。接下来，我们收集所有可以使用的数据，并将其放入统计过程中，以找到Y的最佳预测模型。常见的过程是首先使用所有变量对模型进行估计，筛选出不重要的变量，然后使用所选的变量子集重新估算模型，然后重复此过程，直到找到重要的模型为止。

但是，Anderson提出的分析方法存在一些严重的缺陷。我选择了一个实例，从0到1的均匀分布中抽取100个样本，为Y创建了一组数据点，所以它是随机噪声。接下来，我通过从0到1之间的均匀分布中抽取100个样本，创建了一组50个解释变量X(I)。因此，所有50个解释变量也是随机噪声。我使用所有的X(I)变量来预测y，估计一个线性回归模型。因为没有任何相关的东西(所有的均布和自变量)，所以期望R²(0)，但实际上不是。结果是0。5。对于基于随机噪声的回归来说还不错!幸运的是，这个模型并不重要。逐步剔除不显著的变量，重新估计模型。重复这个过程，直到找到一个重要的模型。经过几个步骤后，发现一个显著性模型，调整后的R平方为0.4,7个变量的显著性水平至少为99%。再次，我们是在回归随机噪声，它绝对没有关系，但我们仍然找到一个有7个重要参数的显著模型。如果我们只是将数据输入统计算法来寻找模式，就会出现这种情况。

数据集越大，噪声越强

最近的研究证明，随着数据集的增长，它们必定包含任意相关性。这些相关性只是由于数据的大小而出现，这表明，许多相关性都是虚假的。不幸的是，很多信息往往表面表现得很少。

这是处理多维数据的应用程序中的主要问题。举例来说，假设您从一家工厂的数千个传感器中收集传感器数据，然后挖掘这些数据以获取模式以优化性能。在这种情况下，您很容易被数据表现的表象所迷惑，而不是真正的运营绩效指标。无论从财务上还是在工厂的安全运行方面，这都可能是一个坏消息。

添加数据和添加信息

作为数据科学家，我们可能经常会说，改善人工智能模型的最佳解决方案是“添加更多数据”。然而，仅仅“添加更多数据”就能提高模型性能吗?不是这样的。我们应该关注的是“添加更多的信息”。“添加数据”和“添加信息”之间的区别是至关重要的:添加更多的数据并不等于添加更多的信息(至少是有用和正确的信息)。相反，由于盲目地添加越来越多的数据，我们有可能添加包含错误信息的数据，这些错误信息会相应地降低模型的性能。随着数据的大量访问以及处理数据的计算能力，考虑这一点变得越来越重要。

结论

那么，上述挑战是否应该阻止您采用以数据为依据的决策? 不，数据驱动的决策将继续存在。随着我们获得更多有关如何最佳利用数据和信息以提高绩效的知识，这些将变得越来越有价值。

但是要意识到，要使方案成功，不仅需要硬件和大量数据，大数据和计算能力也是重要的组成部分。而且，您应该了解连接数据的基本机制。数据不能说明一切，是人类给数字赋予了含义。数据的数量、种类是无法更改的。