前些天听某院士讲工业大数据建模。他特别强调了意义和价值，却完全没有意识到这个问题和难点在什么地方。在我看来，他指出的方向，不远处就是一条沟。
很多人不知道工业大数据建模的困难。大家可以先思考一个问题：
两个人从事数据建模。一个人有100个样本，另一个人有100万个样本。谁的工作更容易？
粗粗一想，人们一定会说：当然是有100万条数据更容易！因为条件更好啊。但仔细想想，答案可能会变。所谓的建模成功，往往就是模型达到一定的精度要求。是让100个样本达到精度要求容易，还是让100万条达到精度要求容易？于是，答案就变成了：100个样本建模更容易。
如何理解这个悖论呢？
其实，我们应该怀疑的是：单纯凭借精度，能不能衡量一个模型的好坏？我们知道：现在几乎所有的论文，都是拿精度指标来衡量的。但这样衡量就是对的吗？
我经常给大家讲一个段子：有人让小朋友指认眼前的几个人谁是他的妈妈。小朋友说：穿红衣服的就是妈妈！小朋友回答正确。这人马上确认了孩子的妈妈。
“穿红衣服的就是妈妈”这句话是对的。但问题是：换个场景就不对的了！换了场景后，妈妈可能会穿白衣服，其他人也可以穿红衣服。所以，孩子的回答不适合场景变化。
数据建模也是这样。100个样本建立的模型可能精度很高，但来了新的样本可能就不合适了。100万条数据建立的样本精度可能会低一点，但新来的样本却可能是对的。100万条数据有利于建模，指的是有利于建立可靠的、能广泛应用的模型。
马克.吐温有句名言：“戒烟最容易了：我戒了100多次了！”。做成一件事，难在坚持；做好一个模型，难在适用范围广、长期适用。
但是，如何才能建立起适用范围广又长期适用的模型呢？这就要求模型符合客观规律、体现因果关系，而不是体现偶然联系。那么，怎样才能做到：“符合客观规律、体现因果关系”呢？我一直讲的、数据分析的很多技巧，就体现在这个地方。这不是几句话就能讲清楚的了。但做这一行的人，应该朝着这个方向思考。
精度是衡量模型好坏的重要的指标、不可缺少的指标。但是，不能把精度当成唯一的指标。在现实中，并不是模型的精度越高越好。这是因为：现实中的数据都是有误差、有偏差的、有缺失的，这些误差往往也符合一定的统计规律。在数据误差有统计规律的前提下，精度最高的模型往往是偏离客观实际的。用一句通俗的话就是：取得高精度的机制是“错错得对”。当然，数据精度高也是有可能的——但那一般是科学研究的场景，而不是工业大数据建模。正确地认识精度，是个大学问。
讲大数据建模的那位院士并不懂这些道理。他想要的东西不是现实中的，而真正的大数据建模他并不认可。就像“叶公好龙”故事说的那样：他喜欢的不是真正的大数据建模，而是艺术化的幻想。
他的报告很可能是广受欢迎的：因为多数人就是他这么想的。但在创新的过程中，多数人的“正常想法”往往并不靠谱，需要让实践中的挫折来纠正才行。要得到“靠谱”的想法，必须有批判性思维，让思维去理解现实中的挫折。这位院士没有在数据建模的实践中受过挫折、多是从别人的文章中得到信息。他的想法自然也就难以靠谱。
我担心的是：他去指导和评价别人的工作，岂不是要阻碍科技发展？
联系客服
