監(jiān)督學習，是人工智能領(lǐng)域中的重要學習方式之一，那么，產(chǎn)品經(jīng)理是否有可能借助AI監(jiān)督學習，來幫助自己在工作中脫穎而出？這篇文章里，作者就對監(jiān)督學習的入門原理、以及產(chǎn)品經(jīng)理如何將AI監(jiān)督學習應(yīng)用到工作之中等方面做了解讀，一起來看。

各位看官：

今天，我們將探討人工智能中的一個重要領(lǐng)域——監(jiān)督學習。

本篇將主要介紹什么是監(jiān)督學習、監(jiān)督學習中的一個入門原理：感知器，我們?nèi)绾卧u估AI監(jiān)督學習是否有效，同時，還會揭示ChatGPT中監(jiān)督學習的部分規(guī)則，討論產(chǎn)品經(jīng)理如何運用AI監(jiān)督學習在工作中脫穎而出，提高工作效率。

一、什么是監(jiān)督學習？

監(jiān)督學習是人工智能領(lǐng)域中的一種重要學習方式，其本質(zhì)是機器通過提供已知輸入和對應(yīng)輸出的訓練數(shù)據(jù)，學習輸入與輸出之間的映射關(guān)系，以便在面對新的未知輸入時能夠做出準確的預測。

這種學習方式就像是給機器提供了一個“導師”，這個導師就是訓練數(shù)據(jù)中的標簽或輸出值，可以理解成我們給機器的樣本數(shù)據(jù)，這些樣本數(shù)據(jù)就像是老師在考試卷上標記的答案一樣，告訴機器每道題是否回答正確，正確答案是什么。在訓練中，如果錯誤，就會糾偏，更新權(quán)重，從概念上講，這意味著人工智能從失敗中學習，而不是從成功中學習。

比如說，我們要教機器認識貓和狗的圖片。我們給機器看了一堆貓和狗的圖片，并告訴它哪些是貓，哪些是狗。如果回答錯誤，我們就要反饋“否”給到機器，如果回答正確，我們就要反饋“是”給到機器。機器就像是一個聰明的學生，通過觀察大量的例子，學會了如何在以后看到新圖片時準確地說出這是貓還是狗。

由此可見，監(jiān)督學習的目標是使機器能夠從已知數(shù)據(jù)中學到一種通用的規(guī)律，并能夠在面對新的、以前未見過的數(shù)據(jù)時做出準確的預測。就像考試時學生能夠根據(jù)之前學過的知識來回答新的問題一樣。

百度首席科學家、Coursera的聯(lián)合創(chuàng)始人吳恩達（Andrew Ng），也是斯坦福大學計算機科學系和電子工程系副教授，人工智能實驗室主任，全球人工智能和機器學習領(lǐng)域最權(quán)威的學者之一。在2017年2月斯坦福MSx未來論壇上的演講時就提出，驅(qū)動百億的市場容量的，基本上屬于同一種AI：監(jiān)督學習（Supervisedlearning），即用AI來確定A–>B的映射——輸入A和響應(yīng)B的映射。比如用Email作為輸入A，判斷是否是垃圾郵件是響應(yīng)B。

軟件可以學習這些輸入A到響應(yīng)B的映射——有很多好的工具來讓機器學習。比如50,000小時的音頻和對應(yīng)的文本，就能讓機器學到如何從音頻內(nèi)容轉(zhuǎn)化為文本內(nèi)容。通過大量的電郵數(shù)據(jù)和區(qū)分垃圾的標簽，也可以很快地訓練出一個垃圾郵件過濾器。

B 端产品经理如何快速成长？

产品与业务架构主要是将整个业务工作流进行分层，梳理，然后抽象出一个个需求，将业务需求与产品合情合理的映射起来，最终使业务数据在产品中流动，执行，记录，使用。

查看详情 >

AI不是近幾年才開始有最佳實踐的，只不過因為ChatGPT的爆火，更多人開始關(guān)注AI領(lǐng)域，其實AI監(jiān)督學習早就已經(jīng)廣泛應(yīng)用在我們生活中，比如AI幫助我們檢查網(wǎng)絡(luò)安全，AI語音助手能夠聽懂我們說的話，AI照片軟件能夠自動識別出照片中的人物，這些都是AI監(jiān)督學習的成果。

二、監(jiān)督學習的入門原理-感知器

了解監(jiān)督學習的技術(shù)實現(xiàn)原理，可以先從感知器開始，感知器（Perceptron）是一種簡單的機器學習模型，是監(jiān)督學習的基礎(chǔ)。感知器是Frank Rosenblatt在1957年就職于Cornell航空實驗室時所發(fā)明的一種人工神經(jīng)網(wǎng)絡(luò)。

感知器是生物神經(jīng)細胞的簡單抽象。在生物神經(jīng)細胞結(jié)構(gòu)中，包括樹突、突觸、細胞體及軸突。單個神經(jīng)細胞可被看作一種只有兩種狀態(tài)的機器——激活時為‘是’，未激活時為‘否’。神經(jīng)細胞的狀態(tài)取決于其它神經(jīng)細胞輸入信號的數(shù)量和突觸的強度（抑制或加強）。當信號總和超過某個閾值時，細胞體就會激活，產(chǎn)生電脈沖。電脈沖沿著軸突傳遞，并通過突觸傳遞到其他神經(jīng)元。

為了模擬神經(jīng)細胞行為，感知器的基礎(chǔ)概念被提出，包括權(quán)重（突觸）、偏置（閾值）及激活函數(shù)（細胞體）。這些概念幫助我們理解感知器是如何模擬神經(jīng)元的基本工作原理的。

回到感知器，其結(jié)構(gòu)很簡單，它接收多個輸入（例如特征值），對每個輸入施加權(quán)重，然后將所有加權(quán)輸入求和。這個總和經(jīng)過一個閾值函數(shù)（激活函數(shù)）處理，輸出一個二元的結(jié)果，通常是0或1。這個輸出可以被視為感知器對某個特定模式或概念的判斷。比如，他通過圖片判斷，是“貓”還是“狗”。

雖然感知器在解決一些簡單的問題上表現(xiàn)良好，但它有一些局限性，比如無法解決非線性可分的問題。隨著機器學習的發(fā)展，更復雜的模型如神經(jīng)網(wǎng)絡(luò)逐漸取代了感知器在實際應(yīng)用中的地位。然而，了解感知器有助于理解監(jiān)督學習的基本原理和起源。

三、評估AI監(jiān)督學習的實踐效果

接上段，我們提到了感知器模型，接下來我們就需要知道監(jiān)督學習模型在真實世界的實踐結(jié)果，通過一些數(shù)據(jù)指標可以幫助我們更深入和全面的了解監(jiān)督學習模型，也能幫助我們感知到監(jiān)督學習的價值。

1. 準確率（Accuracy）

準確率是指模型正確預測的樣本數(shù)占總樣本數(shù)的比例。準確率是最直觀的性能指標，可以直觀地了解模型在所有樣本上的正確預測比例。

計算公式：

準確率=（真正例+真負例）/總樣本數(shù)=正確預測的樣本數(shù)/總樣本數(shù)

準確率是一個總體性能的度量，適用于樣本分布相對均勻的情況。然而，當類別不平衡時，準確率可能會失真，因為模型更傾向于預測占多數(shù)的類別。

場景應(yīng)用：貸款申請

在貸款申請審核時，需要銀行或金融機構(gòu)審核貸款申請，判斷是否批準貸款。使用準確率來評估模型在整個貸款申請數(shù)據(jù)集上正確預測是否批準的比例，確保準確決策。

總部位于美國加利福尼亞州的Upstart公司，其不斷打磨的AI風控系統(tǒng)就是公司的核心競爭力，AI風控模型中的回歸與分類算法屬于監(jiān)督學習范疇，核心在于根據(jù)申請者實時變化的各種維度信息進行動態(tài)地參數(shù)調(diào)節(jié)。2018-2020年營收同比增速分別為73%、65%、42%，凈利潤于2020年年底回正，并于2020年末上市。

2. 精確率（Precision）

精確率衡量模型在預測為正類別的樣本中，有多少是真正的正類別。強調(diào)了預測的準確性。

計算公式：

精確率=正確預測的正例數(shù)/預測為正例的樣本數(shù)

精確率關(guān)注的是模型預測為正例的樣本中，有多少是真正的正例。在一些場景中，精確率比準確率更有用。

場景應(yīng)用：垃圾郵件過濾

在垃圾郵件過濾時，需要識別和過濾垃圾郵件，確保用戶收件箱中的郵件質(zhì)量。使用精確率來評估模型標記為垃圾郵件的郵件中，真正是垃圾郵件的比例，以降低誤報率，確保用戶不會錯過重要郵件。

微軟和谷歌已經(jīng)在其電子郵件服務(wù)中使用了人工智能和監(jiān)督學習來過濾垃圾郵件。2012年2月，微軟就已經(jīng)聲稱，它能夠過濾掉Hotmail 97%的垃圾郵件。谷歌后來作出回應(yīng)，稱它的Gmail能夠過濾掉大約99%的垃圾郵件。

3. 召回率（Recall）

召回率是指模型成功預測出正例（真實為正類別的樣本）的比例。

計算公式：

召回率=正確預測的正例數(shù)/實際正例數(shù)

召回率關(guān)注的是模型對正例的覆蓋程度，尤其在重視遺漏正例的場景中，召回率是一個重要的指標。但是，過高的召回率可能導致誤傷（將負例錯誤預測為正例）增加。

場景應(yīng)用：網(wǎng)絡(luò)安全

在網(wǎng)絡(luò)安全監(jiān)督時，需要檢測網(wǎng)絡(luò)中的惡意活動，確保盡可能多的識別潛在的安全威脅。使用召回率來評估模型在整個網(wǎng)絡(luò)數(shù)據(jù)集上正確識別惡意活動的比例，確保盡可能提高檢測到潛在威脅的幾率。

4. F1 分數(shù)（F1 Score）

F1 分數(shù)是精確率和召回率的調(diào)和平均值，綜合考慮了兩者。

計算公式：

F1=(2×精確率×召回率)/(精確率+召回率)

F1 分數(shù)對于處理不平衡類別的數(shù)據(jù)集很有用，可以在精確率和召回率之間找到平衡。F1分數(shù)的取值范圍在0,1之間，越接近1表示模型在精確率（Precision）和召回率（Recall）上的平衡越好。

場景應(yīng)用：醫(yī)學診斷

在醫(yī)學診斷時，對于一些疾病的診斷，既要確保盡可能多地捕捉到患病者（高召回率），又要確保被診斷為患病的人確實是患病者（高精確率）。使用F1 分數(shù)綜合考慮精確率和召回率，幫助找到一個平衡點，使模型在患病者的識別中取得較好的綜合表現(xiàn)。

由廣州市婦女兒童醫(yī)療中心的夏慧敏教授、加州大學圣地亞哥分校的張康教授等專家組成的醫(yī)療數(shù)據(jù)智能化應(yīng)用團隊，研發(fā)了一款名為“輔診熊”的人工智能診斷平臺。“輔診熊”就是模仿醫(yī)生的診斷過程，把文本病歷轉(zhuǎn)換成輸入和輸出兩個對應(yīng)的部分，輸入部分包含患兒的性別年齡等基本信息、身高體重等生命體征、以及癥狀、化驗指標和影像檢查標志物等，而輸出部分就是診斷結(jié)果。有趣的是，它的準確度與經(jīng)驗豐富的兒科醫(yī)師差不多。

2019年2月12日，這項醫(yī)療人工智能研究成果以《使用人工智能評估和準確診斷兒科疾病》為題，刊登在了世界頂級醫(yī)學科研期刊《自然·醫(yī)學》（Nature Medicine）

5. 真負率（True Negative Rate）

也稱為特異性（Specificity），特異性關(guān)注的是模型在負類別上的性能，即負例被正確預測的比例。

計算公式：

真負率=正確預測的負例數(shù) / 實際負例數(shù)

真負率衡量的是模型在負例上的識別能力，即在真實負例中，模型能夠正確識別為負例的比例。真負率越高，模型在負例識別上的性能越好。

場景應(yīng)用：智能學習輔導

在個性化學習輔導時，需要智能學習系統(tǒng)準確識別學生可能存在的問題，確保模型不會誤將正常反饋識別為問題。使用真負率來評估模型在負例（正常反饋）中的性能，確保模型在分析學生反饋時不會產(chǎn)生過多誤報，提高正常反饋的準確性。

Jogoda.ai 作為目前教育融合 AI 智能體的典型案例，由德國程序員開發(fā)，是一款人工智能驅(qū)動的在線輔導工具，為各學科提供個性化輔助，包括數(shù)學、生物學、化學等，可以通過真負率來評估其智能AI模型是否可以真正了解學生的真實個性化問題，并提供解決方案。

6. 補充說明

精確率和準確率的區(qū)別在于，精確率強調(diào)的是在模型認為是正例的情況下，有多少是真正的正例，更專注于模型的預測準確性。準確率考慮整個數(shù)據(jù)集，包括正例和負例，關(guān)注的是模型的整體性能。

其中，精確率和召回率通常是相互矛盾的，提高一個可能會降低另一個。因此，根據(jù)任務(wù)的特性和需求，需要綜合考慮這兩個指標，甚至可以使用 F1 分數(shù)等綜合指標來綜合評估模型性能。

在實際應(yīng)用中，選擇使用哪個指標取決于具體問題的特點和對模型性能的需求。

四、ChatGPT是如何通過監(jiān)督學習來給出正確回復的

ChatGPT的訓練過程是一個復雜而深入的過程，它結(jié)合了無監(jiān)督學習和有監(jiān)督學習的元素，旨在使模型能夠理解和生成自然語言。下面我將揭示部分ChatGPT的訓練方法以及它是如何通過監(jiān)督學習來給出正確回答的。

1. ChatGPT的訓練過程

1）無監(jiān)督預訓練

ChatGPT的第一階段是無監(jiān)督預訓練，這是一個規(guī)模龐大的學習過程。在這個階段，模型暴露于海量文本數(shù)據(jù)，從中學習語言的基本結(jié)構(gòu)和規(guī)律。

這類似于一個學生在閱讀大量書籍并自學語言知識的過程。ChatGPT通過預測下一個詞的方式，不斷優(yōu)化自己的語言理解能力，形成了對語言世界的抽象表示。

2）有監(jiān)督微調(diào)

有了無監(jiān)督學習的基礎(chǔ)，ChatGPT進入了有監(jiān)督微調(diào)階段。在這個階段，模型接觸到了有標簽的對話數(shù)據(jù)，這些對話數(shù)據(jù)包含了對話的上下文和相應(yīng)的正確回應(yīng)。這相當于一個老師指導學生如何在特定對話場景中給出恰當回答。

ChatGPT通過比較生成的回應(yīng)與實際標簽之間的差異，利用反向傳播算法來微調(diào)自身參數(shù)，以更好地適應(yīng)對話生成的任務(wù)。

2. 監(jiān)督學習中的模型優(yōu)化

在有監(jiān)督學習中，ChatGPT受到了標簽數(shù)據(jù)的指導，以便更準確地生成對話回應(yīng)。監(jiān)督學習的核心在于最小化模型生成結(jié)果與標簽之間的差異。通過損失函數(shù)的計算，模型調(diào)整自身參數(shù)，使其在特定任務(wù)中更為優(yōu)秀。

在監(jiān)督學習的框架下，ChatGPT通過對對話的上下文進行理解，并生成相應(yīng)的回應(yīng)。模型需要考慮語境中的信息、上下文之間的關(guān)聯(lián)，以及生成回應(yīng)的語法和語義。這個過程中，模型的每一步都受到監(jiān)督信號的引導，以更好地符合實際任務(wù)需求。

所以，在實際應(yīng)用中，我們根據(jù)ChatGPT的回答，告知它我們對回答的滿意程度和新的要求，或者是借助一些prompt提示詞，來提升其回復的質(zhì)量，都是在優(yōu)化其模型，讓模型通過不斷地在有監(jiān)督學習中接觸新的對話樣本，通過不斷地優(yōu)化，提高其在特定任務(wù)上的表現(xiàn)。

3. ChatGPT在監(jiān)督學習中的應(yīng)用場景

當我們談?wù)揅hatGPT在監(jiān)督學習中的應(yīng)用場景時，實際上是在探討ChatGPT如何通過反饋，自我迭代學習，以便于更好地解決我們的真實問題。以下就是一些常見的應(yīng)用場景，ChatGPT都可以給我們提供幫助。

1）應(yīng)用場景1：在線教育輔助

想象一下，在一個在線學習平臺上，有很多學生提出各種各樣的問題，涉及到不同的學科和難度級別。通過監(jiān)督學習，ChatGPT可以從老師和專業(yè)人士提供的答案中學到正確的回應(yīng)。這樣，當有學生提出新問題時，模型就能更準確、更有深度地回答，提供個性化的學科輔導。

2）應(yīng)用場景2：程序開發(fā)助手

對于程序員來說，ChatGPT可以通過監(jiān)督學習來學習關(guān)于編程的問題和解決方案。它可以從開發(fā)者社區(qū)中獲取反饋，并逐漸理解和熟悉各種編程語言、框架和算法。這使得它能夠為開發(fā)者提供更具深度和實用性的編程建議。

3）應(yīng)用場景3：醫(yī)學問答專家

在醫(yī)學領(lǐng)域，ChatGPT可以被訓練用于回答各種醫(yī)學相關(guān)的問題。醫(yī)生和專業(yè)人士的意見可以被作為監(jiān)督信號，幫助模型理解病癥、診斷和治療方案。這為廣大用戶提供了一個更加可靠的健康信息來源。研究表明，ChatGPT可以回答真實世界的健康問題，并且在情感上更具有同理心和更高的質(zhì)量。

最近?？吹揭恍┨犹岬剑癆I只會淘汰不會使用AI的人”，ChatGPT的強大讓一部分人驚喜，也讓一部分人驚嚇。我們必須承認，工智能的廣泛應(yīng)用已經(jīng)在多個領(lǐng)域帶來了巨大的改變，涉及到工作、教育、生活等方方面面。

也許，我們也應(yīng)該借鑒一下AI的“監(jiān)督學習模型”，從不斷的反饋中糾偏和迭代自己，學習人工智能相關(guān)的技能，適應(yīng)技術(shù)的發(fā)展，成為AI使用者或創(chuàng)造者，是更積極的應(yīng)對方式。

五、產(chǎn)品經(jīng)理如何將AI監(jiān)督學習運用到工作之中

最后，我們從產(chǎn)品經(jīng)理的角度出發(fā)來看AI，隨著自動化和智能化的發(fā)展，某些重復性高、機械性強的工作可能會被自動化取代。那些無法適應(yīng)新技術(shù)、不具備相關(guān)技能的人可能會在就業(yè)市場上面臨更大的競爭壓力。

產(chǎn)品經(jīng)理作為業(yè)務(wù)價值和用戶價值的操盤手，其自身也需要不斷適應(yīng)和進化，學習一些AI的知識，將AI運用起來，已經(jīng)是一條必經(jīng)之路了。

“需求分析”是產(chǎn)品經(jīng)理工作場景的關(guān)鍵一環(huán)。借助AI的監(jiān)督學習模型，我們可以更精準地分析市場趨勢，理解用戶行為，為產(chǎn)品優(yōu)化提供更有力的支持。

比如，產(chǎn)品經(jīng)理可以學習如何運用監(jiān)督學習中的分類算法，對用戶需求進行更深入的挖掘，洞察出真實核心的用戶痛點。

以下簡單舉例一些AI涉及的產(chǎn)品領(lǐng)域，希望對產(chǎn)品經(jīng)理們有些啟發(fā)。

產(chǎn)品領(lǐng)域1：電商

如果你是電商平臺的產(chǎn)品經(jīng)理，可以通過監(jiān)督學習中的分類算法對用戶購物行為進行精準分析。你可以通過監(jiān)督學習模型，預測用戶可能感興趣的商品類別，甚至可以個性化推薦商品。

例如，通過對用戶過去購物歷史的監(jiān)督學習，系統(tǒng)可以學到用戶的購物偏好，從而在用戶瀏覽電商平臺時向其推薦更符合興趣的商品，提高購物體驗，同時促進銷售。

產(chǎn)品領(lǐng)域2：社交

如果你是社交平臺的產(chǎn)品經(jīng)理，可以通過監(jiān)督學習中的分類算法優(yōu)化內(nèi)容推送。你可以通過監(jiān)督學習模型，分析用戶對不同類型內(nèi)容的反饋，預測用戶更有可能關(guān)注的話題或發(fā)布的內(nèi)容。

這樣，社交媒體平臺可以在用戶的個性化時間線上呈現(xiàn)更吸引人的內(nèi)容，提高用戶留存率和參與度。

產(chǎn)品領(lǐng)域3：教育

如果你是在線教育平臺的產(chǎn)品經(jīng)理，可以利用監(jiān)督學習，分析學生的學習行為和學科偏好，預測學生可能感興趣的課程和學習路徑。

通過監(jiān)督學習模型，平臺可以為學生制定個性化的學習計劃，推薦符合其學科水平和興趣的課程，提高學習效果，真正實現(xiàn)“因材施教”。

產(chǎn)品領(lǐng)域4：金融

如果你是金融平臺的產(chǎn)品經(jīng)理，可以利用監(jiān)督學習，分析用戶的投資偏好、風險承受能力等數(shù)據(jù)，為用戶提供個性化的投資建議。

通過監(jiān)督學習，投顧系統(tǒng)可以更好地理解用戶的需求，提供符合其風險偏好的投資組合，實現(xiàn)更智能的資產(chǎn)配置。

無論你是搞電商、社交、教育還是金融或其他領(lǐng)域，都要來點AI的獨門技能。別怕，不是要你成為AI專家，但至少要知道AI是怎么一回事。就像開車不用成為修車大師，但要知道引擎是怎么個玩意兒。

別讓那些大模型和算法嚇到你，其實它們是另一種包著規(guī)則和邏輯的產(chǎn)品思維模型，而這些思維模型能給你的產(chǎn)品帶來更多可能性，也會給你的職業(yè)帶來更多驚喜。

未來屬于不斷學習和進化的人，只有持續(xù)提升自己的技能，才能在激烈的競爭中脫穎而出。