吾看书

ai的“自学能力”解读：无监督学习如何让机器自己“找规律”（第3页）

- 工资卡平时只进不出，突然转账给一个陌生账户。

AI就会立刻触发预警，给银行风控人员发提醒，甚至直接冻结交易。很多人收到过银行的“风险交易确认短信”，背后很可能就是无监督学习在“干活”。有数据显示，用了无监督学习的银行，盗刷案件能减少40%以上——比人工盯着监控屏靠谱多了，毕竟AI能24小时不眨眼，还不会漏掉细节。

除了金融，工业生产里的“设备故障预警”也离不开它。工厂里的机器，比如发电机、流水线设备，运行时会产生大量数据：温度、转速、电压、震动频率等等。正常运行时，这些数据都在一个稳定的范围内波动；要是设备要坏了，数据就会“反常”——比如温度突然从80℃升到150℃，转速突然从1000转降到200转。

无监督学习能提前捕捉到这些“异常信号”，在设备真的坏掉之前就提醒维修人员：“这台机器不对劲，赶紧检查”。这可比“等机器坏了再修”强太多了，能减少停机损失。比如某汽车工厂用了这套技术后，设备故障导致的停产时间减少了60%，光维修费就省了几百万。

甚至在疫情防控中，无监督学习也派上了用场。比如分析城市的人流数据，正常情况下“早高峰往写字楼流，晚高峰往小区流”；要是某个小区突然有大量人凌晨出门、往医院方向走，AI就能标成“异常”，提醒相关部门关注——可能是出现了聚集性病例。

四、无监督学习的“优点”和“缺点”：不是万能但很重要

无监督学习确实解决了很多监督学习搞不定的问题，但它也不是“完美技术”，有明显的优势，也有绕不开的局限。

1. 最大优点：不用“标数据”，省钱又省力

监督学习有个致命的痛点：标注数据成本太高。咱们拿医学影像举例，要训练一个“看CT片找肿瘤”的AI，得给它几千甚至几万张CT图，每张图都得让资深医生标上“有没有肿瘤”“肿瘤在哪”“多大尺寸”。一个医生一天顶多标几十张，标一万张得花好几个月，还得付高额的劳务费——成本高到很多医院和企业都扛不住。

小主，这个章节后面还有哦，请点击下一页继续阅读，后面更精彩！

无监督学习刚好踩中了这个“痛点”：它根本不用标数据，拿过来无标注的CT图就能直接用。AI会自己对比“正常CT图”和“可能有问题的CT图”的区别，把那些“和大部分图不一样的区域”标出来，给医生当“初步参考”。医生不用再一张张从头看，只需要重点看AI标出来的“可疑区域”，诊断效率能提升一倍以上。

不止医学，很多领域的标注成本都高得吓人：自动驾驶要标“行人”“红绿灯”“障碍物”，一张图得标十几个点；自然语言处理要标“主谓宾”“情感倾向”，一句话得拆成好几个部分。无监督学习直接跳过“标注”这一步，相当于给企业省了一大笔钱，也让AI能用到那些“没法标注”的海量数据——比如全网的无标注文本、监控摄像头拍的无标注视频。

2. 主要缺点：“自学结果”可能“答非所问”

无监督学习的“自学能力”是把双刃剑——它自己找规律，但找出来的规律不一定符合人类的需求。

比如咱们之前说的动物图片聚类，AI可能因为“猫和狐狸都有尖耳朵、长尾巴”，就把它们归为一组。从AI的角度看，这俩特征相似，归为一组没问题；但从人类的认知来说，猫和狐狸是完全不同的动物，这个分类结果就“没用”。这时候就得人类出面调整：告诉AI“除了耳朵和尾巴，还要看‘有没有爪子’‘会不会喵喵叫’这些特征”，AI才能再优化分类。

还有更极端的情况：AI可能会盯着“没用的特征”找规律。比如给它一堆商品图片聚类，它可能不按“衣服、食品、家电”分，反而按“图片背景是白色还是蓝色”分——因为背景颜色这个特征更明显。但这个分类结果对商家来说毫无意义，等于白忙活一场。

为啥会这样？因为AI没有“常识”，它只懂“算特征相似度”，不懂“人类关心什么”。监督学习有标签当“指挥棒”，知道“要按动物种类分”“要按商品类别分”；但无监督学习没有指挥棒，只能瞎摸，摸对了是运气，摸错了也正常。