起點(diǎn)課堂會(huì)員權(quán)益
職業(yè)體系課特權(quán)
線下行業(yè)大會(huì)特權(quán)
個(gè)人IP打造特權(quán)
30+門專項(xiàng)技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導(dǎo)直播
12場專業(yè)技能直播
會(huì)員專屬社群
榮耀標(biāo)識(shí)AI時(shí)代：推薦引擎正在塑造人類
本文旨在讓你了解當(dāng)前人工智能應(yīng)用最普遍的智能推薦引擎（Intelligent Recommendation Engine），其背后的設(shè)計(jì)理念，以及一些更深度的思考。
We shape our tools and afterwards our tools shape us. ——Marshall McLuhan
麥克盧漢說：“我們塑造了工具，反過來工具也在塑造我們。”
我本人不反感AI，也相信人工智能會(huì)開創(chuàng)一個(gè)偉大的時(shí)代，但是我們要思考一些東西，至少知道那是什么。本人旨在讓你了解當(dāng)前人工智能應(yīng)用最普遍的智能推薦引擎（Intelligent Recommendation Engine），其背后的設(shè)計(jì)理念，以及一些更深度的思考。關(guān)于理念，它不像技術(shù)要求太多的基礎(chǔ)，我盡量不使用專業(yè)術(shù)語，所以本文同樣適合程序員以外群體。
從“分類”說起
以大家熟悉的分類信息網(wǎng)為例，像58同城、趕集網(wǎng)。網(wǎng)站把現(xiàn)實(shí)生活中的商品、服務(wù)進(jìn)行分類進(jìn)行展示，比如房產(chǎn)、二手車、家政服務(wù)等。這些內(nèi)容即是現(xiàn)實(shí)世界對(duì)應(yīng)的抽象，我們可以很容易的找到對(duì)應(yīng)關(guān)系。
我們?cè)僖郧舐毦W(wǎng)站為例，像智聯(lián)招聘、BOSS直聘。網(wǎng)站按照職業(yè)把 人分類，比如程序員、廚師、設(shè)計(jì)師、數(shù)學(xué)家、物理學(xué)家等。
那么現(xiàn)在問題出現(xiàn)了，眾所周知，人工智能的完美入門人才是具有數(shù)學(xué)和計(jì)算機(jī)雙學(xué)位的碩士以上學(xué)歷人才。那么，我們?nèi)绾伟堰@樣的人分類呢？我們無法單一的將其歸入到程序員或者數(shù)學(xué)家，我們無法為每一個(gè)這樣的復(fù)合型人（slash）進(jìn)行單獨(dú)分類。
分類產(chǎn)生矛盾。
我們區(qū)分南方人、北方人，所以有地域歧視。我們區(qū)分亞洲人、歐洲人，所以有種族歧視?！胺诸悺敝皇侨祟惡喕瘑栴}邏輯的手段，薛定諤的貓和羅素的理發(fā)師已經(jīng)證明了“分類”并不正確。所以在大計(jì)算時(shí)代，我們引入“貼標(biāo)簽”的概念。
貼標(biāo)簽
AI時(shí)代是計(jì)算能力爆炸增長所帶來的。在強(qiáng)大的計(jì)算能力面前，我們真的可以針對(duì)每個(gè)人進(jìn)行“分類”，它的表現(xiàn)形式就是—貼標(biāo)簽。
30歲以下、程序員、屌絲、奶爸、熬夜、不愛運(yùn)動(dòng)、公眾號(hào)叫caiyongji、格子襯衫、機(jī)械鍵盤、牛仔褲……這些可以是一個(gè)程序員的標(biāo)簽。換個(gè)角度，“類別”反轉(zhuǎn)過來服務(wù)于單獨(dú)的某個(gè)人，這是在計(jì)算能力短缺的時(shí)代所無法想象的。
傳統(tǒng)的智能推薦引擎對(duì)用戶進(jìn)行多維度的數(shù)據(jù)采集、數(shù)據(jù)過濾、數(shù)據(jù)分析，然后建模，而人工智能時(shí)代的推薦引擎在建立模型步驟中加入Training the models（訓(xùn)練、測試、驗(yàn)證）。
最后，推薦引擎就可以根據(jù)用戶標(biāo)簽的權(quán)重（可以理解為對(duì)標(biāo)簽的打分，表示側(cè)重點(diǎn)），對(duì)用戶進(jìn)行精準(zhǔn)推送了。
推薦引擎屬性分化
俗話是這么說的“旱的旱死，澇的澇死”，“飽漢子不知餓漢子饑”，不知道這些俗語我用的恰當(dāng)不恰當(dāng)。我的意思是在智能引擎的推薦下，會(huì)加強(qiáng)屬性兩極分化。
我們以程序員為例，選取編程技巧、打游戲、體育運(yùn)動(dòng)、熬夜、看書五個(gè)維度。經(jīng)過推薦引擎的“塑造”后如下。
目前，推薦引擎的算法會(huì)將權(quán)重比較大的標(biāo)簽進(jìn)行優(yōu)先推廣，這就導(dǎo)致原本權(quán)重大的標(biāo)簽得到更多的曝光次數(shù)，最終使得權(quán)重大的標(biāo)簽權(quán)重越來越大，而權(quán)重小的標(biāo)簽在長時(shí)間的被忽略狀態(tài)下逐漸趨近于零。
推薦引擎行為引導(dǎo)
波茲曼認(rèn)為，媒體能夠以一種隱蔽卻強(qiáng)大的暗示力量來“定義現(xiàn)實(shí)世界”。其中媒體的形式極為重要，因?yàn)樘囟ǖ男问綍?huì)偏好某種特殊的內(nèi)容，最終會(huì)塑造整個(gè)文化的特征。這就是所謂“媒體即隱喻”的主要涵義。
由于“推薦”機(jī)制的屬性分化，那些高技術(shù)含量的、專業(yè)的、科學(xué)的、真正對(duì)人又幫助的信息被更少的人接觸，而那些簡單的、輕松的、娛樂的、裸露的、粗俗的信息被越來越多的人接觸。
我們看一下具有影響力的百度、今日頭條和微博在今天(2018年1月13日10:04:xx)所推薦的內(nèi)容。我刪除了cookie，使用匿名session，移除我的“標(biāo)簽”。也就是說，下圖所推薦內(nèi)容對(duì)大部分人適用。
只要你好奇點(diǎn)擊，你的tittytainment（我翻譯成“愚樂”，那個(gè)三俗的譯法不要再傳了）屬性權(quán)重就會(huì)越來越大。娛樂新聞點(diǎn)擊過百萬，科普文章點(diǎn)擊不過百，這種現(xiàn)象正是推薦引擎的行為引導(dǎo)導(dǎo)致的。
不客氣的說，百度、今日頭條、微博對(duì)國民素質(zhì)的影響是有責(zé)任的。
無關(guān)推薦(Non Relational Recommendation)
對(duì)于你從來都沒思考過的事物，你可能永遠(yuǎn)都接觸不到，因?yàn)槟悴恢狼笏鞯穆窂剑杂械娜嗣總€(gè)月都讀與自己專業(yè)無關(guān)的書，來擴(kuò)展自己的知識(shí)面。我們舉個(gè)例子：
你可能會(huì)在網(wǎng)上搜索如何與女朋友和諧相處但你未必會(huì)搜索如何讓女朋友們和諧相處，有人笑談“貧窮限制了我的想象力”，其實(shí)不然，是你接收不到無關(guān)的推薦，你才被限制在特定的知識(shí)圈子里。
所以我提出無關(guān)推薦這個(gè)概念。
對(duì)程序員進(jìn)行畫像：
如圖，當(dāng)某個(gè)標(biāo)簽沒有到達(dá)“程序員”的路徑時(shí)，他可能永遠(yuǎn)無法觸及那個(gè)標(biāo)簽。這時(shí)，我們推薦“無關(guān)”信息給用戶，強(qiáng)制產(chǎn)生路徑。
你可能會(huì)質(zhì)疑，這是隨機(jī)強(qiáng)制推薦垃圾信息嗎？
其實(shí)不然，通過深度學(xué)習(xí)，我們可以進(jìn)行大量的數(shù)據(jù)收集、數(shù)據(jù)分析和模型訓(xùn)練，我們是可以找到對(duì)某個(gè)個(gè)體無關(guān)，但會(huì)讓其感興趣信息的興趣點(diǎn)。這種信息就是無關(guān)推薦的解。
最后
你每天接收到的“推薦”背后是各個(gè)團(tuán)隊(duì)經(jīng)過心理學(xué)研究、行為學(xué)研究、大量計(jì)算設(shè)計(jì)的，人們正在失去深度思考、自主判斷的能力。對(duì)于進(jìn)步青年、斜杠青年請(qǐng)保持思考。謹(jǐn)以此文獻(xiàn)給希望進(jìn)步的你，希望你有所收獲和思考。
作者：caiyongji，微信公眾號(hào)： caiyongji
來源：http://www.36dsj.com/archives/105083
本文來源于人人都是產(chǎn)品經(jīng)理合作媒體@36大數(shù)據(jù)，作者@caiyongji
題圖來自u(píng)nsplash，基于CC0協(xié)議
??