名词解释 / 07
监督学习
英文名称：Supervised Learning 常见别名：监督式学习、有监督学习 所属分类：进一步了解 AI 原理
一句话解释
监督学习是让 AI 学会"判断和预测"的主流方法：先给它大量"过去的问题配上当时的正确答案"，让它从这些成对的例子中总结规律，再用总结出的规律去回答没见过的新问题。相当于让 AI 做"有标准答案的练习题"，练熟之后参加"考试"。
工作中什么时候会遇到
你在办公软件里遇到的很多"自动判断"功能，背后都是监督学习。例如让 WorkBuddy 或千问办公把客服工单自动分给对应部门、把发票信息自动录入报销表、把客户留言自动标成"投诉还是咨询"，这些都在用历史数据教过的模型做判断。对你来说不需要感知它的存在，但凡是"AI 按你教过的标准替你做判断"的场景，基本都靠它（相关产品能力以当前版本和官方说明为准）。
另一种更直接的情况在企业内部：质量或设备部门整理出一批已经标好结论的历史资料，例如把一批产品照片标成"合格、划痕、污渍"，让 AI 学会分辨标准，之后用它检查每一件新出来的产品，而不是靠人抽查。
能解决什么问题
- 把重复的判断自动化：质检、单据审核、工单分类这类靠人反复看、反复判的活，AI 学会标准后能持续做，不疲劳、不因情绪波动而改变尺度。
- 做到真正的"全检"：人抽检只能看一部分，AI 可以按统一标准逐件检查，减少靠抽样漏掉的个案。
- 做提前预测：不只判断已经发生的事，还能根据设备运行数据预判故障概率、根据客户往来记录预判流失风险，给处理留出提前量。
- 把资深经验变成可复制资产：老师傅脑子里的判断标准，通过标注数据"教"给 AI，就能在更多班次和岗位复现，减少对个别能人的依赖。
- 统一不同人的执行尺度：同样的标准，不同员工掌握有松有紧；训练稳定的模型输出尺度基本一致，便于管理。
举个例子
设备部门想用 AI 提前发现电机异常。工程师收集了过去 3 年的设备运行记录，其中一部分已由老师傅标注了结论：正常、轴承磨损、润滑不足。把"运行数据＋老师傅的结论"成对交给 AI 学习后，AI 拿到某台设备新一天的振动和温度数据，就能给出故障类型判断以及它有多确定。
注意人工确认点：初期 AI 判为"异常"的记录仍应由老师傅复核，确认准确后再逐步放开自动处理。因为一旦换了新设备或新工况，超出老样本覆盖范围，它的判断就可能不准，需要补充新样本重新教。
怎么使用
普通员工日常只需要使用现成的功能，不需要懂算法，也不用手动配置。需要投入精力的环节是"喂数据"：把历史资料整理出来并标上答案。这个标注通常由最懂业务的人完成，比如质检员、设备工程师或客服组长，因为只有懂业务才标得准。
"教 AI"和"用 AI"是两件事。模型的训练、调优和上线一般由企业 IT 或外部技术服务商负责；业务人员的职责是提供样本、把关标注质量、确认效果是否可用。你可以把训练过程理解成"给新员工做岗前培训"，培训材料（标注数据）质量高不高，直接决定这个"新员工"上岗后干得好不好。
使用时要注意什么
监督学习的效果上限由训练数据决定。它只是从你给的"问题－答案"样本里统计规律，并不真正理解业务本身；样本太少、标错、只覆盖了部分情况，学出来的判断就不靠谱。宣传中常见的"准确率 99% 以上"大多是在特定测试集上的结果，换到你的真实数据和工况下未必成立，验收要拿本企业的实际数据检验，别被绝对数字打动。
还有两点容易忽略：一是场景会变，换了新设备、新供应商或新工艺后，旧规律可能失效，需要持续补样本重新训练，不能一次投入一劳永逸；二是数据里的既有偏差会被 AI 继承，如果过去只有少数人质检、尺度偏严或偏松，AI 学到的就是这个偏了的尺度。
容易混淆的词
- 机器学习：比监督学习更大的概念。机器学习是让程序从数据中学习的整个领域，训练方式有监督、无监督、强化学习等多种，监督学习只是其中"用带标准答案的样本教"这一种。
- 无监督学习：对照理解最有效。监督学习像做"有标准答案的练习题"；无监督学习是"不给答案、扔给你一堆散件让你自己找规律"，比如自动把客户分成几类。
- 深度学习：两者不在一个维度。深度学习是指用多层神经网络实现 AI 的技术路线；它既可以被监督学习使用，也可以被无监督学习使用。区别是"有没有标准答案"和"用什么结构实现"。
- 数据标注：监督学习的前置工序，也就是人工把"正确答案"标出来。标注是准备材料，不是学习方法本身。