《AI极简经济学》第十二章：解构工作流程

预测机器离不开数据，数据在人工智能中扮演三种角色：输入数据用于生成预测，训练数据用于生成最初的算法，反馈数据用于通过经验改进算法。

预测机器离不开数据，数据在人工智能中扮演三种角色：输入数据用于生成预测，训练数据用于生成最初的算法，反馈数据用于通过经验改进算法。获取数据成本高昂，因此投资时要权衡更多数据带来的好处与其付出的成本。

本章以Cardiogram公司为例说明机器如何从数据中学习：该公司用苹果手表的心率数据，通过深层神经网络预测用户是否心律异常，准确率达97%。要训练这一模型，需要把心率数据（自变量）与心律异常信息（因变量）结合起来，既要异常者的数据，也要正常者的数据；产品上市后还需反馈数据不断改进预测。预测未来事件更具挑战，只能用预测时已知的信息，例如用过往赛季数据训练的模型无法直接预测明年的球队胜场，必须改用届时可得的信息重新训练。

关于数据的决策涉及规模、类型和频率的权衡。所需样本量取决于信号相对于噪声的可靠程度以及预测必须达到的准确度，可用功效计算来评估；Cardiogram的6000人初步研究只是概念验证，要用于临床还需多得多的数据。心率需逐秒高频采集，且健康数据带来隐私问题，加高了成本。最后，数据的规模报酬在统计上递减——每增加一个数据单元对预测的改善都小于前一个；但在经济上未必如此，若更多数据能让产品比对手好一点，就可能在市场份额和收入上带来不成比例的回报，因此组织需要理解增加数据、提高准确度与创造价值三者之间的关系。