最近在学斯坦福大学教授Andrew Ng（吴恩达）的《机器学习》课程，关于人工智能的理解上收获颇丰。特别是从IT工程师做事的原则中，学到2点很有用的tips，分享给大家。
tips 1.不用等想法“万无一失”再实践
这一点主要是针对“机器学习算法”，当你有一堆数据的时候，不用花很多时间建立数学模型，而是建议直接找一个非常简单的算法，迅速开始计算，然后根据匹配结果再不断进行改进。
这和我们之前的行事准则“凡事预则立”看起来相违背，更像是不负责任的做法，但为什么这个方法更有效率？我的理解是：
首先，数据是已经客观存在的，寻找算法只是想办法将数据和待解决的问题匹配起来，这从根本上，就是怎样的思路来理解客观世界（即数据）的问题。在这一点上，我们人类习惯方式是利用经验作出理解，经验越丰富越好。而这在寻找算法的过程中不适用。因为机器学习所面对的问题五花八门，数据庞大，完全超出了个人的经验，这时候经验反而会掣肘。而且设计思路越复杂，经验就越可能将它带跑偏。所以，在大数据面前，与其依靠经验不如直接从0开始学习，让客观数据来判断学习效果，再不断改进。
其次，我们过去的研究方法更多的是寻找“因果”关系，而在现在随着大数据的发展，大家发现在快速分析层面，“关联”关系比“因果”更实用。比如说我是个销售，通过销售数据的分析，发现销量和某些因素（如消费者年龄）成正比，尽管我不理解为什么年龄偏大的人反而更爱买我这个产品，但是我可以小范围试验，来确认这种相关性，如果真的很强，那我就直接实时调整销售策略，主攻大龄用户，直接带来收益还节约时间。比如我是个工程师或者咨询师，那么我的工作是尽可能高效低成本的解决问题，其中，能解决问题才是关键。“小步试错，快速迭代”也正是目前科技商业比较成功的一种模式。
第三，其实人类最原始的学习方式就是这样的。想想我们人类从婴儿长大，对这个世界从来都是先接受，再理解。我们现在身处在这个高速变化的时代，未来会变成什么样，有什么新浪潮，实际上我们自己也不很清楚。所以不如学学婴儿和人工智能，对新鲜事物不妨先接受，再在不断消化过程中反思和改进。
tips 2.个人发展上，资源调配能力比技术更重要
这一点是上一点的延伸，来自于人工智能领域的一个特有现象：只要数据量足够多，最初采取什么算法都能成功。也就是说，对人工智能来说，最关键的不是算法有多精准，而是数据足够海量。那么在一个人工智能问题上，获取更多数据显然成了成败关键。
这也有点违背常人的认知，我们认为做项目就应该关注技术，做技术应该待在技术领域里好好研究，但是他反而告诉你那不重要，出去搞得到数据也就是资源，才更有用。
扩展到个人能力建设上，资源调动能力是我们教育长期忽视的。我们的社会文化也长久以来“万般皆下品惟有读书高”，对组织能力、人际交往的培养很少，而这正是资源调配能力的基础。到了社会上、工作中才发现，自己埋头苦干不等于有业绩，有时候善于调动资源才是成事的关键。因此，在自我能力培养上，要特别注重资源调配能力的培养。
总而言之，在未来人工智能大行其道的时代，一定还会有更多与我们现有认知相反的现象被发现。理解IT高手采用的做事方法，希望能够拓宽你的思维广度，将新理念应用在自身行业中，也许会有不一样的收获。
