這套取代人的直覺(jué)與算法的系統(tǒng)，優(yōu)于906個(gè)人類團(tuán)隊(duì)中的615個(gè)團(tuán)隊(duì)。

大數(shù)據(jù)分析包括尋找有某種預(yù)測(cè)能力的埋藏模式。但是，選擇哪些數(shù)據(jù)的“特征”來(lái)進(jìn)行分析通常需要靠人類的直覺(jué)。在一個(gè)包含數(shù)據(jù)庫(kù)中，舉個(gè)例子，各種促銷和每周的利潤(rùn)的開(kāi)始和結(jié)束日期，其關(guān)鍵數(shù)據(jù)可能不是日期本身而是它們之間的跨度，或著不是總利潤(rùn)，但平均跨越這些跨度。

麻省理工學(xué)院的研究人員的目標(biāo)是，用一個(gè)不僅能搜索模式也能設(shè)計(jì)特征的新系統(tǒng)把人類元素從大數(shù)據(jù)分析中剝離出來(lái)。為了測(cè)試他們系統(tǒng)的第一個(gè)原型，他們參加了三個(gè)數(shù)據(jù)科學(xué)競(jìng)賽，它與人類團(tuán)隊(duì)比賽，在不熟悉的數(shù)據(jù)集中找到預(yù)測(cè)模式。906個(gè)團(tuán)隊(duì)參與了三項(xiàng)比賽，研究人員的“數(shù)據(jù)科學(xué)機(jī)器”先于615個(gè)團(tuán)隊(duì)完成。

在三項(xiàng)比賽中，數(shù)據(jù)科學(xué)機(jī)器的預(yù)測(cè)的準(zhǔn)確率是94%和96%。第三個(gè)數(shù)字則是一個(gè)更為溫和的數(shù)字87%。人類的團(tuán)隊(duì)通常需要進(jìn)行好幾個(gè)月的預(yù)測(cè)算法，而數(shù)據(jù)科學(xué)機(jī)器產(chǎn)生它的每一個(gè)條目只花了2-12小時(shí)。

“我們把數(shù)據(jù)科學(xué)機(jī)器視為人類智能的自然補(bǔ)充，”Kanter說(shuō)，他在麻省理工的碩士論文是《數(shù)據(jù)科學(xué)機(jī)器的基礎(chǔ)》。“有這么多的數(shù)據(jù)需要進(jìn)行分析?，F(xiàn)在它（機(jī)器）只是待在那里沒(méi)有做任何事。因此，也許我們可以拿出一個(gè)至少讓我們能夠開(kāi)始著手、讓我們前進(jìn)的解決方案。”

項(xiàng)目之間

Kanter和他的導(dǎo)師Kalyan Veeramachaneni，麻省理工學(xué)院計(jì)算機(jī)科學(xué)和人工智能實(shí)驗(yàn)室的研究科學(xué)家（CSAIL），在他們的論文中描述了數(shù)據(jù)科學(xué)機(jī)器，Kanter將在下周的IEEE國(guó)際科學(xué)數(shù)據(jù)和先進(jìn)分析會(huì)議上發(fā)表。

Veeramachaneni統(tǒng)一領(lǐng)導(dǎo)計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室的所有成員組，在大數(shù)據(jù)分析的實(shí)際問(wèn)題中采用機(jī)器學(xué)習(xí)技術(shù)，如依據(jù)風(fēng)電場(chǎng)場(chǎng)址確定其發(fā)電能力或預(yù)測(cè)學(xué)生從在線課程中輟學(xué)的風(fēng)險(xiǎn)。

“我們從解決一些工業(yè)數(shù)據(jù)科學(xué)問(wèn)題的經(jīng)驗(yàn)中觀察到的是一個(gè)非常關(guān)鍵的步驟，稱為特征工程，”Veeramachaneni說(shuō)。“你要做的第一件事就是把你的數(shù)據(jù)從數(shù)據(jù)庫(kù)或結(jié)構(gòu)中提取出來(lái)，為了做這個(gè)，你必須得有很多想法。”

例如，2個(gè)關(guān)鍵指標(biāo)被用在預(yù)測(cè)輟學(xué)上：一個(gè)學(xué)生花多少時(shí)間解決一個(gè)問(wèn)題集和一個(gè)學(xué)生相比他或她的同學(xué)花了多少時(shí)間在課程網(wǎng)站上。麻省理工學(xué)院的在線學(xué)習(xí)平臺(tái)MITx不記錄那些統(tǒng)計(jì)數(shù)字，但它可以從推斷中收集數(shù)據(jù)。

　　特色組成

Kanter和Veeramachaneni使用了一些技巧來(lái)制定數(shù)據(jù)分析候選特征。一種是利用數(shù)據(jù)庫(kù)設(shè)計(jì)中固有的結(jié)構(gòu)關(guān)系。數(shù)據(jù)庫(kù)通常在不同的表中存儲(chǔ)不同類型的數(shù)據(jù)，使用數(shù)字標(biāo)識(shí)表示它們之間的相關(guān)性。數(shù)據(jù)科學(xué)機(jī)器跟蹤這些相關(guān)性，將它們作為一個(gè)線索進(jìn)行功能建設(shè)。

例如，一個(gè)表可以列出零售項(xiàng)目和它們的成本；另一個(gè)表可能包括在個(gè)別客戶購(gòu)買的項(xiàng)目中列出的項(xiàng)目。數(shù)據(jù)科學(xué)機(jī)器將從第一個(gè)表中的第一個(gè)表輸入到第二個(gè)。然后，從第二表的關(guān)聯(lián)的幾個(gè)不同的項(xiàng)目中選擇相同的購(gòu)買數(shù)量，它將執(zhí)行一套操作，以產(chǎn)生候選功能：總成本，每個(gè)訂單，每個(gè)訂單的平均成本，最低成本，每個(gè)訂單，等等。作為跨表格的數(shù)字標(biāo)識(shí)，數(shù)據(jù)科學(xué)機(jī)器會(huì)在各自層的頂端進(jìn)行相互操作，找到最小的平均值、平均數(shù)、和等。

它也尋找所謂的分類數(shù)據(jù)，這似乎是限制在一個(gè)有限的范圍內(nèi)的值，如一周的天數(shù)或品牌名稱。然后，它會(huì)依據(jù)劃分現(xiàn)有的跨類別的功能產(chǎn)生新的功能。

一旦它生成了一系列的備選項(xiàng)，它會(huì)減少它們的數(shù)量以確定這些值具有相關(guān)性。然后開(kāi)始測(cè)試其樣本數(shù)據(jù)的簡(jiǎn)化特征，使它們以不同的方式來(lái)優(yōu)化它們預(yù)測(cè)收益率的準(zhǔn)確性。

“數(shù)據(jù)科學(xué)機(jī)器是一個(gè)令人驚奇的、最前沿的研究解決實(shí)際問(wèn)題的項(xiàng)目，是一種看問(wèn)題的全新的方式。”Margo Seltzer說(shuō)到，他是一個(gè)沒(méi)有參與這項(xiàng)工作的哈佛大學(xué)計(jì)算機(jī)科學(xué)教授。“我想他們所做的將迅速成為一種標(biāo)準(zhǔn)——很快就會(huì)。”

作者：Larry Hardesty 麻省理工學(xué)院新聞辦公室