现在自动化建模也是一大趋势

写代码和复杂的数学公式领AI看起来门槛高不可攀，但是为了降低建模门槛，国内外大量公司都推出了自己的组件建模平台，可以通过简单拖拽无需编写代码，而负责的数学公式被封装成算子组件。国外的亚马逊AWS，微软的AZURE，R2.ai，国内的阿里PI，第四范式的先知平台都是类似产品。

现在深度学习建模过程也被封装成了组件化建模，国外的deepcognition，国内即将上线的阿里PI新版本也将支持深度学习组件化建模，联想的AI平台可以支持简单的图像分类识别。

如果你感觉组件化还是麻烦，那么笔者要告诉你，现在自动化建模也是一大趋势，国外的datarobot就是其中的典型产品，只需要上传一份打好标签的csv数据，选择标签，点击开始，系统自动从数千开源模型中选择100个模型进行自动化调参训练，选出最优模型，并提易懂专业的数据和模型分析报告，指导非专家用户使用。

所以不要因为惧怕写代码和数学而惧怕AI，其实他们没有必然联系，下文会介绍一些AI-机器学习的常用概念，进一步揭开AI的面纱。

3. AI相关的抽象概念太多，让人不明觉厉

2018年罗胖的跨年演讲中提到了人类的一项重要能力：抽象能力，世界太复杂，为了便于理解和沟通协作，我们会将很多事物进行抽象，但是，当我们不具备对抽象概念的还原能力时，我们常会产生恐惧，敬畏或排斥的情绪，对我们这些非数据科学专业的人来说。

初遇AI时就是如此，AI的底层是数学，而数学是对现实世界的高度抽象。当我们听到算法，模型，过拟合，召回率，auc，随机森林，朴素贝叶斯等高度抽象的词汇时，当我们看到几十行数学公式推导时，我们会本能的不明觉厉。

举个例子：我这样介绍我的项目：“我们利用无监督学习Kmeans模型完成用户标签聚类，使用XGBOOST模型，SVM模型预测用户购买期望，进而实现精准推荐”。

听完这句介绍你是什么感觉，如果一个完全没接触过机器学习的小白可能瞬间就懵逼了。原因很简单，简单一句话中包含了大量你无法理解的抽象概念，而事实可能并非如此。

同样的介绍我换一种说法：“我们通过一些规则给用户打上标签，使用一套计算规则预测用户希望购买哪些商品，然后给他们做相应推荐”，是不是瞬间感觉没那么高大上了。

下文尝试用简单类比对这些抽象概念进行说明，但前提是读者需要先摒弃掉那种对抽象概念的恐惧，我相信，看完本文后，当你听到这些抽象概念时可以淡然一笑，既不恐惧也不敬畏，并且理解其本质。