AI 基础原理

人工智能系统看起来千差万别，但底层都在处理三个问题：如何把现实问题转换成可计算任务，如何从数据中学习一个函数，以及如何确认这个函数在新数据上仍然有效。

从业务问题到模型问题

以“识别可能流失的会员”为例，业务目标是提前干预，模型目标则必须进一步明确：

• 输入：会员最近 30 天的访问、购买、退款和客服行为。
• 输出：未来 14 天内是否流失，或流失概率。
• 样本单位：某位会员在某个观察时点的一次快照。
• 标签：观察时点后 14 天内是否满足流失定义。
• 指标：召回多少真正会流失的用户，同时避免打扰太多正常用户。
• 约束：预测时不能使用未来订单和事后客服结果。

如果这些内容没有定义清楚，后续训练只是在优化一个含义模糊的数字。

模型在学习什么

模型可以写成一个函数：

预测结果 = 模型(输入数据, 参数)

训练不是把答案存进模型，而是反复调整参数，使模型在大量样本上的预测误差尽量小。模型真正需要学到的是可以迁移到新样本的稳定规律。

flowchart LR
  A[业务问题] --> B[任务定义]
  B --> C[样本与标签]
  C --> D[训练模型]
  D --> E[验证与选择]
  E --> F[部署推理]
  F --> G[监控与反馈]
  G --> C

一次训练的基本循环

1. 从训练集中取一批样本。
2. 模型执行前向计算，得到预测。
3. 损失函数比较预测和目标。
4. 反向传播计算参数对损失的影响。
5. 优化器根据梯度更新参数。
6. 在验证集上检查泛化效果。
7. 达到停止条件后，在测试集上做最终评估。

传统机器学习可能直接求解或逐轮拟合，深度学习通常显式执行这套批训练循环，但目标是一致的。

四个不能混淆的对象

对象	用途	常见错误
训练集	更新模型参数	混入未来信息
验证集	选择模型和超参数	被反复调参后间接过拟合
测试集	最终估计泛化效果	提前查看并据此修改模型
线上数据	真实运行输入	分布可能与离线数据不同

基础原理阅读顺序

1. 数据与任务建模：把业务目标变成输入、输出和标签。
2. 数学直觉：理解向量、概率、导数和梯度在做什么。
3. 训练与优化：理解模型怎样从误差中更新参数。
4. 泛化与评估：理解怎样判断模型真的有效。

学习这一层的验收标准

面对一个新需求，应能写出：

• 预测时刻、观察窗口和目标窗口。
• 样本、特征、标签及其来源。
• 训练、验证、测试数据的切分方式。
• 最重要的业务错误及对应指标。
• 可能发生的数据泄漏、偏差和分布漂移。

这些内容决定项目是否成立，算法选择通常在它们之后。