作者 | 洪七公
來源 | 鐳射財經（ID：leishecaijing）
現實生活中，我們經常會把一個行業的經驗遷移至另一個相關行業，達到高效學習的目的。在機器學習的算法中，遷移學習也能實現同樣的效果。基於遷移學習技術，互聯網公司旗下的視頻、電商業務場景智能推薦知識可遷移至廣告、應用程序等其他產品的推薦業務，一些電子產品的用戶評價模型也可用於視頻、遊戲等產品的輿情分析中。
產業數字化轉型浪潮迭起，各行各業都需要建立與自身商業模式適配的AI大腦，實現智慧經營、智能決策。AI決策的應用離不開模型、大數據、算法的支撐，其中模型的好壞決定智能決策解決方案的精準度。
人工智能技術日益精進，目前在建模方法上，深度學習、遷移學習等機器學習技術有機融合，不斷提升AI建模效率，優化模型的決策效果。深度學習經過大數據訓練，能快速掌握數據規律，對結果作出預測;遷移學習利用數據和模型之間的相似性，能在不同場域實現知識遷移。二者結合便能爲人工智能向產業加速滲透輸出更多高質量的模型，打開AI賦能空間。
在技術應用過程中，人工智能已從傳統的多數據場景延伸到各種業態，這對機器學習提出了新的要求和方向。遷移學習的多任務學習、跨領域學習等能力優勢顯露，它在一定程度上消解了傳統機器學習的痛點。DeepMind首席執行官DemisHassabis 曾公開談到，遷移學習是最有前途的技術之一，有朝一日可能會觸發通用人工智能的誕生(AGI)。
事實上，正是基於深度學習、遷移學習技術，模型得以實現迭代和輸出，人工智能才能源源不斷地落地應用，成爲產業數字化轉型的智能基礎設施。深度學習與遷移學習融合加快，通用智能變革也會接踵而來，這爲各類商業場景的智慧化改造帶來可能。
知識遷移，化解建模難題
近年來，越來越多的人工智能應用從實驗室走進老百姓的日常生活中，藏於應用背後的機器學習也爲大衆所知。就機器學習的各個分支發展情況而言，深度學習是當前相對成熟且被廣泛商用的建模方法。例如生物識別、圖像語音識別、應用程序中的智能推薦等。
機器學習在技術上主要基於大量的有標籤樣本和同分佈樣本，從源源不斷的大數據中挖掘規律，根據模型進行預測分析。這也就解釋了爲什麼當我們打開資訊和短視頻App時，平臺就推薦與受衆閱讀習慣相符的內容。
不過，強大的機器學習在實際應用中也會遇到數據較少、數據分佈差異的場景，這就催生了機器學習的演進，向遷移學習邁進。遷移學習實質上就是把某個領域已訓練的模型或已學到的知識，遷移到另一個相關領域，提升目標領域的學習效果。遷移學習的核心邏輯在於找到共性與相關性。
儘管領域或任務不同，但場景的相關性能讓模型學到的知識輕鬆輸送給目標領域，實現高效建模，完善模型的科學性。以騎摩托車爲例，假如A從未騎過摩托車，他的摩托車經驗空白，但他騎過自行車，自行車的平衡控制與摩托車相似，那麼他就能利用騎自行車的經驗快速學會騎摩托車。這個過程可近似看作遷移學習過程，藉助知識遷移，既能突破少數據、少經驗困境，又能提高學習效率。
除了能應對樣本標籤量不足的問題，遷移學習還能糾正樣本分佈偏移，降低因樣本分佈變化產生的模型失衡。具體來看，遷移學習的多任務學習方法可將不同類型的標籤樣本同時建模，豐富模型訓練的樣本量;領域適配方法可以把事件樣本遷移到客戶全量樣本上，減少樣本分佈變化帶來的影響，從而在目標領域中建立更加可靠的學習模型。這不僅提升模型訓練效率，還進一步增強AI性能。
算法迭代，AI決策“破圈”
數字經濟時代，產業創新迭代加快，新消費、新制造、新金融等新商業形態層出不窮，越來越多的新場景面臨小數據、冷啓動問題，基於傳統機器學習算法就難以爲其提供AI決策智能方案。比如在網上新開一家店鋪，售賣的產品或服務在市場上較爲少見，由於缺乏數據，就無法建立合適的模型，對用戶進行智能推薦。
利用深度學習遷移技術，能夠在小數據的情況下實現模型的搭建。從遷移學習的價值角度來看，主要體現在建模效率和模型優化上。一方面，遷移學習能在源域或相似的知識基礎上訓練，快速遷移至新的任務中，無須再去耗費成本採集新的樣本集;另一方面，遷移學習基於數據相關性，擴展了樣本集，實現模型的優化。
國內一些AI技術供應商紛紛探索遷移學習的技術應用，如薩摩耶雲應用自動多樣本混合器遷移學習，用一個任務開發的模型作爲另一個任務模型的起點，從而有效優化AI模型，並緩解模型訓練樣本不足帶來的問題，使目標任務達到較好的性能。
在應用場景上，深度學習遷移技術在金融、醫療、零售、智慧城市等場景中具備非常大的業務潛力，尤其是一些新的商業場景，遷移學習算法可以把已學到的知識分享給新的模型。產業數字化轉型背景下，人工智能技術從互聯網、金融領域擴展到更豐富的業務場景，這也爲遷移學習帶來機遇。
目前，機器學習技術已在大量的商業場景中落地應用，幫助企業經營從經驗決策到智能決策，有效帶動營銷獲客、風險管理、用戶運營管理向智能化轉型。拿薩摩耶雲來講，其利用深度學習、遷移學習等AI技術，自主研發了端到端雲原生科技解決方案，以SaaS的形式爲合作伙伴輸出基於雲的智能決策服務，幫助客戶實現業務運營智能化。
無論是算法的迭代還是模型的優化，最終的目標都是基於應用場景實現決策智能，把對場景的理解通過AI模型形成解決方案。伴隨深度學習、遷移學習等算法的迭代創新，AI賦能產業的邊界也會得到延伸。