Page 158 - 大数据背景下计算机信息安全及防护

大数据背景下计算机信息安全及防护
Computer Information Security and Protection in the Context of Big Data

再在各种场景下优化给定的函数，最后从数据中提取隐藏的结构并对数据分类进
行简洁的描述。在显式编程过于僵化或不切实际的情况下，通常会部署机器学习。
机器学习与一般的计算机代码最大的不同在于它是通过数据生成统计代码（ML
模型），然后从先前的输入示例中识别出的模式输出的正确结果，数据的质量和

数量决定了模型的准确性。只要数据样本的质量和数量足够丰富，ML 模型就可
以使用这些示例来对问题做高纬度分析，从而找到能够匹配预测结果的最佳函数。
ML 模型在预测及其整体性能方面提供评估支撑，所以当决定是否使用 ML 模型
时要特别注重这个评估。

那么算法又怎么来定义呢？可以通俗地描述为能否批量化解决问题的手段。
比如做饭的菜谱就是一种算法，只要按照菜谱就能做出对应的饭菜。人工智能里
的算法具有 4 个方面的特征：分别是可行性、确定性、有穷性、拥有足够的情报；
算法具有 6 种常用方法，分别是列举法、归纳法、递推、递归、减半递推、回溯。

实际应用中没有万能的算法，只是适用范围的不同。针对不同的问题可能要用不
同的算法，也可能用相同的算法。快速低成本地解决问题根本目的，不存在高级
和低级之分，如果一味追求复杂的算法，相当于“用大炮打蚊子”。有时候有多
种算法可以解决同一个问题，用最低的成本和最短的时间解决问题才是目的。根

据不同环境选择合适的算法很重要。
目前越来越多的 AI 企业都在基于机器学习的系统上构建大量业务，如果没
有 ML，这些企业将无法拓展业务、改善客户体验和选择，也不能优化其物流速
度和质量。机器学习的一大特点就是根据历史的数据预测未来的走向和结果。例

如，企业可使用 ML 来预测未来某个季度的产品销量或者预测哪类客户对品牌不
满意或者哪些客户对品牌忠诚度最高等。通过这些预测决策者就可以有针对性
地制定决策，提供更好的用户体验，降低营销成本。ML 还可以根据过去的趋势
和交易来预测未来业绩，并对商业智能进行完善和补充。如果要在企业中实施

ML，可以按如下步骤进行：首先找出企业能够从中获益的预测并对问题进行描述；
其次要对历史数据进行收集包括（交易、销量、流失）等，然后对数据进行整合
成 ML 可以训练的集合，再根据数据构建模型；最后通过运行 ML 模型，并将模
型预测的结果输出到企业系统，方便决策者根据结果制定决策。

·148·