思考与认知的范式

17年刚刚接触机器学习时，除了利用机器学习解决当时的业务问题，同时发现机器学习是很好的抽象和理解现实世界的思考范式。今年接触运筹优化，再次有了当年接触机器学习时豁然大悟的感受。本篇分享下机器学习与运筹优化作为思考与认知的范式应用。

机器学习思维

17年接触机器学习时，发现机器学习应用，是将现实问题抽象成数据驱动的问题，通过足够的数据积累，训练出一个高质量的模型，并用于现实问题决策。

这其中有个假设，就是通过大量数据积累，构造的模型，对决策的概率分布近似于所有数据形成的决策概率分布。从而支撑了通过历史数据训练的模型，支撑新的数据产生的决策。

机器学习领域并不避讳谈及对于数据量和丰富度的强烈需求，映射到现实世界中，如果没有刻意的训练处理特定事情的能力，对于白纸一张的人，大概率是做不好的。

问题的关键变成了，有意识的刻意训练，以及快速获得更多经验（数据），快速提升处理特定任务的能力。当然这里有个前提是，承认人和人的大脑是高度可塑的，而非宿命论。

经验的来源可以分为直接经验和间接经验。直接经验通常是自己的生产生活实践，以及思考提炼，往往受限于个人的精力和阅历。间接经验则有更多来源获取，例如别人的实践与思考、书本/媒体的知识与经验。同时不吝于只收集正向经验，负向经验对于形成好的模型和认知同样重要。

接触迁移学习后，发现人类亦可以将很多类似的经验和认知，迁移到新的任务上，可谓从技术中来，从实践中应用。例如将户外领队组织协调的经验，应用在工作组织协调中仍然屡试不爽。

接触强化学习后，发现一直以来形成的很多经验和习惯，可以通过强化学习，刻意加强处理某种任务的能力。写作便是强化学习的一种手段。

从机器学习各类技术原理中，提炼出来对于现实世界认知和实践，强调的是通过人的主观能动性可以做出改变，是一种积极的思考和认知方式。

运筹优化思维

通常「运筹帷幄之中，决胜千里之外」形容一个人的胸有成竹和机敏过人。运筹学是关于在有限资源约束下，通过数学模型和统计方法，给出最有策略的学问。读研期间，选修的经济学课程，经常通过不同数学模型探讨不同策略，最终得到纳什均衡。

以往对于高深的运筹学也是敬而远之，近期读了《优化之道》，以很浅显易懂的语言，对生产生活中常见的问题，通过分析、建模、求解的方式作出了呈现，发现运筹优化没有那么难，也没有离我们那么远。

现实中经常遇到在有限资源约束下，需要给出最佳策略的问题。只是往往我们意识不到这是个运筹优化问题，通过善于做决策的人，不一定学过运筹优化，但一定在践行运筹优化的很多思维，这是读《优化之道》比较大的感触。

例如在生产制造领域，在原料、人工和利润之间，考量成本或利润最优解，企业最终是要以盈利为目的，这并不难理解；在交通/物流领域，则会在位置、距离、运费、利润之间求最优解，仍是考量成本与利润的问题。

运筹思维在于遇到一个问题，将问题抽象，找到约束条件和目标，并通过分析计算作出最佳决策。用在个人生活中，旅行线路规划，需要综合考虑时间、距离、景点位置、吃饭/住宿等问题，才能给出全面适合的路线图。

现实中，往往不会是单步规划，总会有新的想法和外界条件变化，就需要根据最新的情况，做到动态规划。不断根据新情况，更新决策。再拿旅行举例，遇上堵车或游玩时间问题，往往不一定能符合前期规划，有些超前游玩了，有些则滞后计划，就需要根据最新情况，不断调整旅行计划。

运筹思维本质上解决的是通过有效管理，提升效率的问题。因此有提升效率的场景，大概率都有运筹优化思维的用武之地，即万物皆可优化。生活和工作中，运用运筹思维，就需要将问题做好抽象，能够探寻事物的约束和限制条件，通盘考虑给出最佳的决策。

机器学习与运筹差异

机器学习的思想是通过大量数据建模，本质上是数据驱动解决现实问题，并不要求对问题本身机理原理有太深的理解，因此天然也存在可解释性的问题。在现实中，运用机器学习的思维，首先遇到的问题就是大量的数据从哪里来，不过好在人脑可以在小样本数据下解决问题，因此机器学习更适合形成基础做事的认知。

运筹优化的思想是将现实问题抽象，将约束与目标定义好，然后给出最佳策略。本身需要能够对事物看的清楚与全面，可解释性会比较好。但问题是，现实世界中，很多决策都是非完备信息下做决策，很难做到最优解，很可能是局部最优解。即便如此，具备运筹思维也能够解决大量的现实问题。

对于人类这种高等生物，为了更好思考与认知，积累经验（数据）非常必要，同时对于世界机理的认知也非常必要，机器学习与运筹思维结合，能够做到认知与实践的统一，从而迸发出更大的能量。