机器学习发现规则的方法

在商业与技术领域，机器学习常被视作解决一切问题的万能工具，但实际落地远比想象中复杂。本文通过回顾计算思维进化史、深入分析机器学习能力的独特边界，以及探讨它与传统基于规则的系统的协同关系，帮助你清晰理解：机器学习并非要取代规则，而是作为发现新规则的有力工具，在商业决策中释放真正价值。

一、从布尔到香农：计算思维的进化

早在1868年，乔治·布尔的妻子就转述了他对机器能力的看法：

在他们之间，他们用无法回答的事实逻辑最终证明，计算和推理，就像编织和耕作一样，不是为了人的灵魂，而是为了铁和木的巧妙组合。如果你愿意花时间去做那些机器可以比你做得更快的工作，那只是为了锻炼自身。

自从克劳德·香农（Claude Shannon）运用布尔的研究成果构建出第一块电路板以来，我们已经走过了漫长的道路，这标志着计算机时代的正式开启。正如他所预见的那样，如今绝大多数计算与推理链条都是通过“铁和木的巧妙组合”来完成的。我们只是后来才意识到，硅材料在完成这项工作时可能表现得更加出色。

布尔自己一生所从事的工作，正是他认为机器不可能做到的——他在研究支配思想本身的规则。换句话说，他正在迈向更高层次的推理，超越了日常生活中的规律性计算。

虽然我们距离像布尔那样利用哲学层面的人工智能还很遥远，但我们正在接近一种更精妙的计算思维形式。机器学习正被用来发现生活某些领域中那些不直观的规则。

小提示： 回顾这段历史有助于理解：机器最初被设计用于执行重复计算，而人类负责发现规则。如今，机器学习正在帮助人类发现那些“看不见”的规则，这正是布尔当年所探索的更高层次推理。

二、机器学习的能力：它最擅长解决两类问题

关于机器学习将如何取代其他所有问题解决模式的文章已经数不胜数。最流行的建议之一是，我们应该彻底放弃基于规则的机器学习方法。

在我看来，这种观点过于理想化。用机器学习去解决那些可以通过基于规则的方法解决的问题，是对资源的浪费。模型，尤其是更复杂的模型，往往成本高昂，并且需要大量维护才能保持准确性。

在一个拥有无限资源（包括计算能力和资金）的理想世界里，这些差异无关紧要。然而，在商业实战中，我们总是在严格定义的范围内运作，因为任何资源的使用都意味着机会成本。

因此，我们最好优先选择用基于规则的方法解决所有问题。但这又会遇到其他复杂情况，例如并非所有问题都具备可以通过规则解决的清晰边界。

• 第一种挑战：需要概率答案的问题
  任何需要概率答案的问题，都更适合由模型而非基于规则的系统来处理。
• 第二种挑战：规则不明确的问题
  机器学习另一个极具价值的应用场景，是当规则不明确的时候。

在商业环境中，我们有时并不确定如何回答某些具体问题。例如，自助结账流程应该遵循哪些规则？构建这样的功能几乎有无限种可能，而我们始终在追求结果的最大化。换句话说，我们希望自助结账能带来最高的转化率。

常见问题：既然机器学习有这两大优势，是不是所有商业问题都该用机器学习？
答案是否定的。如果问题已经有清晰、可定义的规则（比如“订单金额满100元包邮”），用规则系统更高效、更便宜。只有当你需要概率判断（比如“这个用户有多大可能流失？”）或者规则不明确（比如“怎样设计结账流程转化率最高？”）时，才值得投入机器学习资源。

三、从机器学习模型中提取推理：商业不需要绝对的精确

一个常见的反对意见是：某些机器学习模型，如深度神经网络，本质上是黑匣子。我们永远不确定引擎盖下发生了什么，因此从中提取规则，与没有模型时一样充满猜测。

幸运的是，在商业应用中，我们不需要像逻辑学家或科学家那样追求绝对的精确——后者试图揭示思想、语言或宇宙的基本单元。能够为我们指明正确方向的洞察，就足以形成以某种方式做事的理由。

换句话说，在构建一个预测自助服务客户系统最佳结果的模型时，我们的目标并不是定义某些永恒不变的人类行为法则。我们只是在研究一系列公认的、不断变化的情况，并试图找出解决这些问题的最佳方法。

因此，回到同一个例子，随机森林算法，从事件会话和用户活动中获取足够的数据后，可以概括出最具预测性的输出。这些输出将指示在自助服务过程中，哪些用户受到的影响最大。

这些产出可能并非开创性，甚至不具备广泛的适用性，因为它们只在相当有限的环境中有效。但是，对于工程师、设计师和内容编写者来说，它们足以指导优化工作，从而带来更好的转化效果。

然后，这些洞见可以转化为基于规则的算法。因此，机器学习模型可以为我们提供一种发现环境规则的方法，这些规则随后可以在业务实践中落地实施。

小提示： 如果你的机器学习模型是个黑箱，别慌张。先关注模型输出的“特征重要性”或“SHAP值”等可解释性指标，这些就足够帮你定义出前几条最关键的业务规则。没必要追求100%解释。

常见问题：从黑箱模型中提取的规则可信吗？会不会误导决策？
可信度取决于数据的质量和模型验证的严谨性。商业应用中，通常采用A/B测试来验证这些规则的实际效果。比如，从模型中发现“用户在结账页停留超过30秒则容易放弃”，你可以设计规则“如果停留超过30秒，弹出优惠券”。然后对比实验组和对照组，确认该规则是否真的提升转化率。这种闭环验证比单纯依赖模型解释更可靠。

四、结论：机器学习与规则系统是互补，而非替代

指望机器学习完全取代基于规则的系统，是没有根据的。后者通常比复杂的机器学习模型更高效、更便宜。由于企业始终对效率保持高度关注，基于规则的系统将继续存在。

与通常的认知不同，机器学习可以用来补充基于规则的系统。虽然有可能将两者组合成一个系统，但前者也可以用来获得洞察，然后这些洞察可以被实施到后者中。

最后，机器学习不应该被当作解决技术问题的万能药。它是众多应该被审慎使用的工具之一，其中一项重要用途就是确保我们在其他系统中做出更好的决策。

展望未来，最有效的技术策略不是“非此即彼”，而是“先用规则跑通，再用机器学习发现新规则，最后将发现转为规则固化下来”。这样循环迭代，既保持了系统的效率，又不断注入新的洞察，让你的业务始终处于前沿。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：机器学习发现规则的方法要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题