為什麼最好的演算法不總是最後的贏家？

作者 | Jesse Moore

編譯 | 李瑞豐

編輯 | Emily

你把自己和你的團隊鎖在一個密室，與世隔絕。然後你對團隊說：

除非我們寫出最完美的分類器，否則我們是不會離開這個密室的。

六個月之後，你發現之前實現的這些工具毫無用武之地。

是不是似曾相識？

有好多團隊創造的那些看起來很有意思的工具，實際上卻很少被使用。我曾經參加過黑客馬拉松這樣的比賽，就是那種裡面有一大堆聰明的人在一起，每個人為了解決一個相同的問題而實現一堆複雜的應用。

為什麼這樣的情況經常出現？我們該如何避免讓那些聰明且有天賦的人在這樣無效的工作上浪費自己的時間和精力呢？

其實這個問題不單純是某一方的責任，數據科學家和投資者兩者都存在問題。首先，投資者們不理解數據科學家團隊正在做的事，所以他們並不信任數據科學家；其次，數據科學家屬於典型的科研思維，很少從工程或者商業的角度去思考問題。

根本原因在於雙方缺乏交流和溝通。

科學家們通常缺乏社交技能。如果你缺乏專業領域知識，你會發現跟科學家溝通十分困難。我的多次親身經歷告訴我，嘗試跟一個沒有基礎知識的人解釋清楚科學結論很難，這類溝通通常以對方茫然的表情而告一段落。這不是因為跟我溝通的人不夠聰明，而是我沒有受過類似的溝通訓練，能夠完成一個很簡單清晰的表述。這是我的原因，我應該嘗試以別人能理解的方式，跟人進行溝通。

溝通是一個學習門檻很高的技能，需要無數次地練習和總結，然後調整你的表達方式。為了提高溝通的效率，數據科學家需要構建一個術語表，能用通俗易懂的方式向非專業人士描述清楚自己正在做的事情。

為了解決這個問題，我開始不斷地思考工程師和科學家之間的溝通跟其他人之間溝通的區別是什麼。

人工智慧的科學家思維和工程師思維

科學家思維和工程師思維最大的區別，就在於他們做事情的核心驅動力上面。科學家的目的是發現並探索事物運行的本質規律，而工程師的目的是解決實際問題，這兩者其實是息息相關的。科學家們從探索和實驗中獲得靈感，而工程師將這些靈感變成真正的產品。

科學家們喜歡未知，而工程師卻不能理解。現在我們迫切需要一種方式，來讓兩者能夠相互融合。

The-Scientist.com

權宜之計？

一個數據科學團隊可能花費數月的時間來完成自己機器學習系統的調整、優化。這個系統可能很簡潔巧妙，但是除非這個系統真的能夠解決現實世界中的某個問題，他才能真正的帶來商業價值；否則這個系統對於商人來講就毫無意義。

那些追求效率，追求極致的數據科學家需要學習如何找到科學和實踐的平衡點，並能應用到他們所在的行業當中。只有能讓科研和實踐達到某種程度上的平衡，數據科學家們所投身的領域才可能逐漸走向成熟，最終獲得成功。

而從實踐和商業的角度獲取來的思考和經驗，反過來還能幫助數據科學家完善自己的分析和研究。這才是數據科學最終的價值所在。

查看英文原文：

https://towardsdatascience.com/the-best-algorithm-doesnt-always-win-ea7cf1df7aca

AI前線

緊跟前沿的AI技術社群

如果你喜歡這篇文章，或希望看到更多類似優質報道，記得給我留言和點贊哦！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！