们之前所说，算法依赖训练数据进行预测。虽然它们非常擅长预测趋势，但当我们试图推断个体行为时，情况就完全不同了。
这不仅仅是机器学习的问题，而是统计学普遍存在的问题。例如，我们可以说男性平均体力比女性强。只要我们从趋势、全球平均水平、以及每个活着的人的角度来思考，这确实是正确的（我们将力量定义为像举重这样具体的东西）。
但从个人角度来看，情况就更加复杂了。一位女 电话号码 性综合格斗选手或教练，举起的重量肯定比一个一生中从未做过俯卧撑的男性更大。那么，这是否意味着人工智能毫无用处呢？
当然不是。当人们基于人工智能做出战略决策时，他们会广撒网。亚马逊算法并非专门针对你或我，而是它注意到遵循特定模式的人往往会偏好特定类型的产品。
虽然无法保证目标对象A或B一定会购买定向广告展示的任何内容，但他们比兴趣不相投的人更有可能购买。这是一场赌博，公司会把胜算押注在他们身上。
对异常值的敏感性
另一个问题是异常值。异常值指的是一些 saas 的专属定价：吸引客户的绝佳方式 极端的数据，并不代表常态。一方面，基于正常数据训练的模型在尝试基于异常值进行预测时，往往表现不佳。
另一个问题是，当我们用异常值来训练人工智能时。如果数据是瞬时现象的副产品，那么当一切恢复正常时，算法的可靠性就会降低。
新冠疫情就是一个很好的例子。供应链模型根本无法预测全球停摆几个月后会发生什么。我们没有足够的数据来训练适应这种情况的模型。
那么，解决方案是收集新数据，并用 2020 年和 2021 年的信息重新训练模型，对吗？嗯，不完全是。随着我们重新开放边境，供应链再次运转，用这些数据构建的模型将开始表现不佳。
再次强调，这并不是说记录和使用这些数据毫无价值。只是我们必须明白，人工智能并非某种神奇的智能，能够辨别具体情况，或者凭直觉做出评估。
展望未来
如果感觉我在批评人工智能，那真 短信列表 是大错特错。这个领域正在飞速发展，我坚信我们正在迎来人工智能研究的黄金时代。
话虽如此，我们必须明白，人工智能并非完美，目前它还无法取代人类的智慧。当机器与人类协同工作时，我们才能发挥出最佳水平。一个处理海量数据，另一个塑造结果。