人工智能、机器学习与深度学习：先划清问题边界

问题与目标

明确稳定的规则优先用普通程序实现；目标可测、数据有代表性时，才进入模型基线。

不是所有自动化问题都需要训练模型。规则清晰、边界稳定的问题，普通程序往往更可靠；规则难以穷举但有代表性样本时，机器学习才可能有价值。

完成标准：能区分人工智能、机器学习与深度学习，识别监督、无监督和强化学习任务，并判断一个需求是否适合机器学习。

核心概念

人工智能是让机器表现出感知、推理或决策能力的宽泛领域；机器学习通过数据调整模型参数；深度学习是使用多层神经网络的机器学习方法。三者是包含关系，不是互相替代的产品名称。

• 监督学习从带标签样本学习输入到输出的映射，包括分类和回归。
• 无监督学习没有目标标签，用于发现分组、低维结构或异常模式。
• 强化学习通过环境反馈学习连续决策，本阶段只划清边界。

适合机器学习通常需要：目标可定义、样本有代表性、输入在预测时可获得、错误代价可评估。缺少其中任何一项，都应先解决需求或数据问题。

规则程序与机器学习的差异

例如“文件超过 100 MB 拒绝上传”是明确规则；“根据多项运行信号判断任务是否可能超时”难以穷举条件，才适合建立预测基线。两者也可以组合：规则处理不可违反的安全边界，模型处理模糊排序或风险估计。

从业务问题映射到学习任务

同一个目标可能有多种建模方式。预测耗时后按阈值判断超时，与直接训练超时分类器的损失和评估方式不同，需要根据最终决策选择。

不适合直接建模的情况

• 标签依赖主观判断且没有一致标注规则。
• 训练样本来自过去，但部署环境已发生根本变化。
• 关键特征只有结果发生后才产生。
• 错误后果高，却没有人工复核或回退方案。
• 样本很少且问题可以用稳定规则表达。

模型投入使用后还要监控输入分布、预测比例和真实反馈。无法持续得到真实结果时，效果会逐渐失去验证依据。

可运行实现

下面的检查器不是模型，而是把需求判断显式化：

def assess_ml_candidate(
    *, rule_is_clear: bool, labeled_examples: int,
    target_is_measurable: bool, features_available_at_prediction: bool,
) -> str:
    if rule_is_clear:
        return "优先使用确定性规则"
    if not target_is_measurable:
        return "先定义可验证目标"
    if not features_available_at_prediction:
        return "重新设计特征，避免使用未来信息"
    if labeled_examples < 100:
        return "先收集并检查代表性样本"
    return "可以建立机器学习基线"


print(assess_ml_candidate(
    rule_is_clear=False, labeled_examples=800,
    target_is_measurable=True, features_available_at_prediction=True,
))

输入是需求的四个条件，输出是下一步建议。它强调先验证任务成立，再选择算法。

还可以再准备三个需求：明确额度上限应返回规则方案；没有可测目标应返回先定义目标；有稳定标签和预测时特征才返回建立基线。

从需求到样本的五步检查

1. 先写决策：预测结果出现后，是排序、拦截、人工复核，还是只做分析？
2. 定义一行样本：一个任务、一个用户还是一次事件？同一对象多次出现会影响划分。
3. 固定预测时点：越晚预测信息越多，但决策价值可能越低。
4. 定义标签窗口：“七天内失败”与“本次运行失败”是两个不同任务。
5. 明确错误后果：漏报、误报、延迟和人力成本决定了指标与阈值。

只要这五项中有一项模糊，模型类型就不应过早确定。“预测准确”也不是完整的成功标准，因为模型可能没有改变任何实际决策。

规则、统计和模型可以同时存在

一个实用流程往往由三层组成：强约束规则先排除非法输入，统计基线用于监控整体变化，模型只负责规则难以表达的风险排序。这种组合便于设置回退：模型不可用时，确定性规则仍可保证底线。

进一步验证

• 选择三个自动化需求，分别归类为规则、监督学习或无监督探索，写下判定依据。
• 对其中一个监督学习需求，写出样本、预测时点、标签窗口和错误代价。
• 列出两个上线拒绝条件，例如没有人工复核或输入分布已明显变化。

常见问题与排查

• 把“使用模型”当目标：先写清用户决策和成功指标。
• 用训练完成后才知道的字段预测：这是未来信息泄漏。
• 把聚类编号当真实类别：聚类只反映所选特征与距离下的结构。
• 认为深度学习必然更好：数据量、成本、可解释性和延迟都要比较。

小结

机器学习解决的是“规则难写、样本中存在可泛化规律”的问题。判断任务类型和数据条件，比先选热门模型更重要。