DeeplearningAI - 吳恩達來信：做個假設驅動的思考者吧！－鑽石舞台

Hi～新朋友，記得關注我們喲

親愛的朋友們，

根據我的經驗，最老練的決策者往往是假設驅動（hypothesis-driven）的思考者。他們可能是解決技術問題的工程師、滿足客戶需求的產品設計師，或是發展業務的企業家。他們會形成一個關於如何達到目標的假設，然後系統地進行驗證或證偽。

假設你正在調整一個學習算法，該算法根據拖拉機上裝載的攝像頭的輸入來估計玉米秸稈的健康狀況。(許多公司正在開發這樣的產品，以幫助農民在種植、除草或收穫方面做出決策。)如果該算法設計得很差，你要如何改進它呢?

有些工程師傾向於採用一種適用於所有人的規則。旨在通過收集更多數據來改進算法的人可能會收集更多玉米秸稈的照片。當這不起作用時，他們可能多少會隨機嘗試一些別的方法，直到偶然發現一些有用的方法。

另一方面，假設驅動的思考者發現，學習算法會因為許多不同的原因而表現不佳。根據這些經驗，他們可以列出一系列可能出錯的假設。也許該算法在陽光下表現良好，但在陰天表現不佳。在這種情況下，最好的解決方案可能是在多雲天氣下收集或合成更多的訓練圖像；還有可能是相機的鏡頭被灰塵遮住了，或是超參數調整得很差。

假設驅動的思考者看到了各種各樣的可能性。他們會選擇最有可能的一個，並進行錯誤分析或其他測試，以驗證它的真偽。他們會運用所獲得的洞見來設計一個解決方案，提出一個新的假設，或者重新評估假設的範圍。這樣，就能高效地找到一個好的解決方案。

如何獲得建立假設的技能?

✴找出其他人構建機器學習系統的示例。從朋友和同事那裡學習，不僅能知道什麼是行之有效的，還能知道是什麼帶來了成功（包括這個過程中出現的錯誤轉折、思考和放棄的想法），這可以磨練你的直覺。

✴如果你和其他工程師一起工作，他們提出一種行動方案，你可以問問選擇這個方案的理由。相反，如果你喜歡某一種方法，也請分享你的理由，並邀請他們來挑戰你。這將幫助你(i)接觸到更多的策略，以及(ii)了解不同策略的適用情況。

✴繼續進修。這可以讓你很快接觸到大量的示例。

假設驅動的思維不僅有助於開發人工智能系統，也有助於構建產品和業務。也許你已經確定了一種市場需求、一種滿足這種需求的概念，以及一種將產品送到顧客手中的銷售策略。你可能會系統地質疑假設背後的關鍵設定，並指出那些未被證實或錯誤的假設，而不是匆匆忙忙地假設一切都能解決。如果你很早就發現這個概念有缺陷(例如，它所需要的AI技術尚未被發明)，你就會有更多時間去尋找替代方案。

Keep learning!

Andrew