名词解释 / 07
机器学习
英文名称：Machine Learning 常见别名：机器学习算法、ML 所属分类：进一步了解 AI 原理
一句话解释
机器学习是人工智能的一个分支，指让电脑不靠人把每一条规则都提前写死，而是自己从大量历史数据里找出规律，再用这些规律去判断新情况、做预测或分类。它更像“看过大量案例后学会做事”，而不是“照着操作手册逐条执行”。
工作中什么时候会遇到
现在不少办公和业务软件的功能背后都是机器学习，只是平时不会亮出这个名字。比如客服系统自动把客户留言分成咨询、投诉、售后，报销系统标出可疑票据，销售系统预测哪些客户可能流失，采购系统提醒某家供应商可能延误交货，质检环节自动标出外观异常的产品。
你感受到的通常是两种状态：一是“这个系统好像越用越准”，二是它偶尔判断错了、需要你人工复核。判断是否靠谱、要不要采信，才是使用者真正要面对的事。
能解决什么问题
- 从历史数据里找出人力不容易总结的规律，用来做预测，比如下月需求量、订单逾期风险、设备出故障的概率。
- 处理规则太多太细、靠人逐条写不完的判断场景，比如在大量特征里识别欺诈或异常行为。
- 把重复的识别和分类工作自动化，比如客户留言分类、票据核对、产品外观检查。
- 发现偏离正常模式的变化，比如设备运行数据反常、某笔交易行为异常、某个客户行为突然改变。
- 随着新数据不断修正自己的判断，比写死的固定规则更能适应业务变化。
举个例子
一家企业的采购部门过去主要靠老采购员凭经验判断哪些供应商可能延误交货，采购单一多就看不过来。后来系统用过去三年的采购记录训练出一个预测模型，输入包括每张订单的供应商历史准时率、订单数量、交期松紧、季节和以往延误原因，输出是这张订单的延误风险分数。
采购员把新订单信息填进系统后，系统给出分数，并自动把高风险订单标为“需人工复核”。采购员不会直接照单全收，而是优先打电话跟被标为高风险的供应商确认产能和排期，再决定是催单还是改用备选供应商。模型负责把大量订单里可疑的一小批筛出来，最终怎么处理还是人说了算。
怎么使用
普通员工通常不需要、也不应该自己训练模型。日常要做的是在业务系统里录入准确、完整的数据，数据是否规范、历史记录是否齐全，直接决定结果准不准。同时要明白系统给的结果仅供参考，重要决定按流程人工复核。
模型的训练和调优一般由公司的数据工程师、算法工程师或软件供应商完成，包括选哪些数据、如何验证效果、多久更新一次。作为使用方，你最重要的贡献是保证数据真实，以及把明显不合理的判断反馈给系统管理员或供应商，帮它持续改进。
使用时要注意什么
机器学习学的是历史数据里的规律，默认前提是“过去能代表未来”。业务环境一旦大变，比如政策调整、产品换代、客户结构改变，旧规律就可能失效，所以模型需要持续更新，不能一劳永逸。数据本身有问题，结果也会跟着错：历史数据有偏、录入有误、样本太少，学出来的规律都不可靠。
还要记住，机器给的多是“可能性”而不是“确定答案”。系统标“高风险”不代表一定会出问题，只是根据历史数据算出的概率偏高。涉及金额较大、影响客户或安全的决定，务必保留人工复核环节，不要因为系统自动化就放弃把关。
容易混淆的词
- 人工智能：范围最大的总称，凡是让机器完成识别、预测、决策等任务的技术都算，机器学习只是其中的一种实现路径。
- 深度学习：机器学习里的一个分支，用多层神经网络处理图像、语音、文本等复杂模式。今天多数对话和图像类 AI 产品建立在它之上。
- 大模型：强调模型规模大、训练数据多、通用能力强的一类模型，是机器学习发展到一定阶段的产物，不等于机器学习本身。
- 规则判断：靠人预先写死“如果怎样就怎样”的逻辑，规则之外的情况处理不了；机器学习是从数据里学规律，能覆盖规则没写到的情形。