作者 | 洪七公

來源 | 鐳射財經(jīng)（ID：leishecaijing）

現(xiàn)實生活中，我們經(jīng)常會把一個行業(yè)的經(jīng)驗遷移至另一個相關(guān)行業(yè)，達(dá)到高效學(xué)習(xí)的目的。在機器學(xué)習(xí)的算法中，遷移學(xué)習(xí)也能實現(xiàn)同樣的效果。基于遷移學(xué)習(xí)技術(shù)，互聯(lián)網(wǎng)公司旗下的視頻、電商業(yè)務(wù)場景智能推薦知識可遷移至廣告、應(yīng)用程序等其他產(chǎn)品的推薦業(yè)務(wù)，一些電子產(chǎn)品的用戶評價模型也可用于視頻、游戲等產(chǎn)品的輿情分析中。

產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型浪潮迭起，各行各業(yè)都需要建立與自身商業(yè)模式適配的AI大腦，實現(xiàn)智慧經(jīng)營、智能決策。AI決策的應(yīng)用離不開模型、大數(shù)據(jù)、算法的支撐，其中模型的好壞決定智能決策解決方案的精準(zhǔn)度。

人工智能技術(shù)日益精進(jìn)，目前在建模方法上，深度學(xué)習(xí)、遷移學(xué)習(xí)等機器學(xué)習(xí)技術(shù)有機融合，不斷提升AI建模效率，優(yōu)化模型的決策效果。深度學(xué)習(xí)經(jīng)過大數(shù)據(jù)訓(xùn)練，能快速掌握數(shù)據(jù)規(guī)律，對結(jié)果作出預(yù)測;遷移學(xué)習(xí)利用數(shù)據(jù)和模型之間的相似性，能在不同場域?qū)崿F(xiàn)知識遷移。二者結(jié)合便能為人工智能向產(chǎn)業(yè)加速滲透輸出更多高質(zhì)量的模型，打開AI賦能空間。

在技術(shù)應(yīng)用過程中，人工智能已從傳統(tǒng)的多數(shù)據(jù)場景延伸到各種業(yè)態(tài)，這對機器學(xué)習(xí)提出了新的要求和方向。遷移學(xué)習(xí)的多任務(wù)學(xué)習(xí)、跨領(lǐng)域?qū)W習(xí)等能力優(yōu)勢顯露，它在一定程度上消解了傳統(tǒng)機器學(xué)習(xí)的痛點。DeepMind首席執(zhí)行官DemisHassabis 曾公開談到，遷移學(xué)習(xí)是最有前途的技術(shù)之一，有朝一日可能會觸發(fā)通用人工智能的誕生(AGI)。

事實上，正是基于深度學(xué)習(xí)、遷移學(xué)習(xí)技術(shù)，模型得以實現(xiàn)迭代和輸出，人工智能才能源源不斷地落地應(yīng)用，成為產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型的智能基礎(chǔ)設(shè)施。深度學(xué)習(xí)與遷移學(xué)習(xí)融合加快，通用智能變革也會接踵而來，這為各類商業(yè)場景的智慧化改造帶來可能。

知識遷移，化解建模難題

近年來，越來越多的人工智能應(yīng)用從實驗室走進(jìn)老百姓的日常生活中，藏于應(yīng)用背后的機器學(xué)習(xí)也為大眾所知。就機器學(xué)習(xí)的各個分支發(fā)展情況而言，深度學(xué)習(xí)是當(dāng)前相對成熟且被廣泛商用的建模方法。例如生物識別、圖像語音識別、應(yīng)用程序中的智能推薦等。

機器學(xué)習(xí)在技術(shù)上主要基于大量的有標(biāo)簽樣本和同分布樣本，從源源不斷的大數(shù)據(jù)中挖掘規(guī)律，根據(jù)模型進(jìn)行預(yù)測分析。這也就解釋了為什么當(dāng)我們打開資訊和短視頻App時，平臺就推薦與受眾閱讀習(xí)慣相符的內(nèi)容。

不過，強大的機器學(xué)習(xí)在實際應(yīng)用中也會遇到數(shù)據(jù)較少、數(shù)據(jù)分布差異的場景，這就催生了機器學(xué)習(xí)的演進(jìn)，向遷移學(xué)習(xí)邁進(jìn)。遷移學(xué)習(xí)實質(zhì)上就是把某個領(lǐng)域已訓(xùn)練的模型或已學(xué)到的知識，遷移到另一個相關(guān)領(lǐng)域，提升目標(biāo)領(lǐng)域的學(xué)習(xí)效果。遷移學(xué)習(xí)的核心邏輯在于找到共性與相關(guān)性。

盡管領(lǐng)域或任務(wù)不同，但場景的相關(guān)性能讓模型學(xué)到的知識輕松輸送給目標(biāo)領(lǐng)域，實現(xiàn)高效建模，完善模型的科學(xué)性。以騎摩托車為例，假如A從未騎過摩托車，他的摩托車經(jīng)驗空白，但他騎過自行車，自行車的平衡控制與摩托車相似，那么他就能利用騎自行車的經(jīng)驗快速學(xué)會騎摩托車。這個過程可近似看作遷移學(xué)習(xí)過程，借助知識遷移，既能突破少數(shù)據(jù)、少經(jīng)驗困境，又能提高學(xué)習(xí)效率。

除了能應(yīng)對樣本標(biāo)簽量不足的問題，遷移學(xué)習(xí)還能糾正樣本分布偏移，降低因樣本分布變化產(chǎn)生的模型失衡。具體來看，遷移學(xué)習(xí)的多任務(wù)學(xué)習(xí)方法可將不同類型的標(biāo)簽樣本同時建模，豐富模型訓(xùn)練的樣本量;領(lǐng)域適配方法可以把事件樣本遷移到客戶全量樣本上，減少樣本分布變化帶來的影響，從而在目標(biāo)領(lǐng)域中建立更加可靠的學(xué)習(xí)模型。這不僅提升模型訓(xùn)練效率，還進(jìn)一步增強AI性能。

算法迭代，AI決策“破圈”

數(shù)字經(jīng)濟時代，產(chǎn)業(yè)創(chuàng)新迭代加快，新消費、新制造、新金融等新商業(yè)形態(tài)層出不窮，越來越多的新場景面臨小數(shù)據(jù)、冷啟動問題，基于傳統(tǒng)機器學(xué)習(xí)算法就難以為其提供AI決策智能方案。比如在網(wǎng)上新開一家店鋪，售賣的產(chǎn)品或服務(wù)在市場上較為少見，由于缺乏數(shù)據(jù)，就無法建立合適的模型，對用戶進(jìn)行智能推薦。

利用深度學(xué)習(xí)遷移技術(shù)，能夠在小數(shù)據(jù)的情況下實現(xiàn)模型的搭建。從遷移學(xué)習(xí)的價值角度來看，主要體現(xiàn)在建模效率和模型優(yōu)化上。一方面，遷移學(xué)習(xí)能在源域或相似的知識基礎(chǔ)上訓(xùn)練，快速遷移至新的任務(wù)中，無須再去耗費成本采集新的樣本集;另一方面，遷移學(xué)習(xí)基于數(shù)據(jù)相關(guān)性，擴展了樣本集，實現(xiàn)模型的優(yōu)化。

國內(nèi)一些AI技術(shù)供應(yīng)商紛紛探索遷移學(xué)習(xí)的技術(shù)應(yīng)用，如薩摩耶云應(yīng)用自動多樣本混合器遷移學(xué)習(xí)，用一個任務(wù)開發(fā)的模型作為另一個任務(wù)模型的起點，從而有效優(yōu)化AI模型，并緩解模型訓(xùn)練樣本不足帶來的問題，使目標(biāo)任務(wù)達(dá)到較好的性能。

在應(yīng)用場景上，深度學(xué)習(xí)遷移技術(shù)在金融、醫(yī)療、零售、智慧城市等場景中具備非常大的業(yè)務(wù)潛力，尤其是一些新的商業(yè)場景，遷移學(xué)習(xí)算法可以把已學(xué)到的知識分享給新的模型。產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型背景下，人工智能技術(shù)從互聯(lián)網(wǎng)、金融領(lǐng)域擴展到更豐富的業(yè)務(wù)場景，這也為遷移學(xué)習(xí)帶來機遇。

目前，機器學(xué)習(xí)技術(shù)已在大量的商業(yè)場景中落地應(yīng)用，幫助企業(yè)經(jīng)營從經(jīng)驗決策到智能決策，有效帶動營銷獲客、風(fēng)險管理、用戶運營管理向智能化轉(zhuǎn)型。拿薩摩耶云來講，其利用深度學(xué)習(xí)、遷移學(xué)習(xí)等AI技術(shù)，自主研發(fā)了端到端云原生科技解決方案，以SaaS的形式為合作伙伴輸出基于云的智能決策服務(wù)，幫助客戶實現(xiàn)業(yè)務(wù)運營智能化。

無論是算法的迭代還是模型的優(yōu)化，最終的目標(biāo)都是基于應(yīng)用場景實現(xiàn)決策智能，把對場景的理解通過AI模型形成解決方案。伴隨深度學(xué)習(xí)、遷移學(xué)習(xí)等算法的迭代創(chuàng)新，AI賦能產(chǎn)業(yè)的邊界也會得到延伸。