為什麼不確定性可以讓AI模型變得更好？從財務風險看不確定性
「不確定性」 意味著什麼呢？
在生活上，不確定性通常反應我們「難以確定」的事情，好比「我不確定下午會不會下雨，妳最好帶把傘！」、「我不確定這樣寫有沒有分數，但我查不到其他更近一步的資料了。」
注意到了嗎？我們對抗「不確定性」的方式，就是找到一個「比較優」的應對方式，根據個人對不確定性的可能後果採取先一步的「行動」。
比如說，就算我不確定下午會不會下雨，倘若我覺得淋雨也沒關係，反而少了帶傘的麻煩，那我的行動就是「不帶雨傘出門，我能夠承受這樣不確定性的後果」，另外一方面也可能是「我認為不下雨的概率比較大」。
有趣的是，就算我認為不太可能下雨，但我的身體很脆弱，只要有可能下雨我就必須撐傘以免淋濕，我就會：「帶雨傘出門，因為可以防範下雨的情況。」
這樣的決策過程，在財務學中也可以見到。
財務理論中，不確定性通常表示「風險」，這樣的不確定性又涵蓋了「難以預料」以及「無法控制」的因素。我難以預測綜合了「中美貿易戰」、「聯準會降息」等對股市空（看跌）多（看漲）因素的市場會變成什麼樣子，或者我無法控制「證券掛牌上市」的市場走向，正因為我們無法掌握這種不確定性，所以常常做出一些適當的風險管理。
以上述例子來說，比如「看漲、看跌」的聲音一樣多，那我就乾脆在買入證券的同時放空遠期期貨以規避損失風險。
如果無法控制「證券掛牌上市」的市場走向，我就溢價發行、控制別的因素比如流通股數……..
那麼在人工智慧的模型上面，其實我們正是「利用風險來取巧」，為什麼呢？因為人工智慧是從資料中訓練出來的，如果要以數學的角度去訓練模型，那就是「error = 0 」，這意味著什麼呢？就是要百分之百擬合訓練資料的情況，因為這是「訓練時最好的結果」，如果我們「一點不確定都不放過」，就會使得AI的泛化能力降低，變成訓練模型而非真實描述資料的模型。
其實人，乃若人工智慧的學習也是如此，我們來設想一個情境，倘若化學家發現了一個沒有看過的分子結構，他會怎麼做？
我想是呼叫夥伴一起來確認這是不是一個新的發現、試圖更了解這個「未知的東西」。可惜他與夥伴討論之後，才發現原來這不是什麼新奇的玩意兒，已經被發現好幾十年了，那麼對於這個化學家來說，是不是件好事呢？
依然是，他擴充了自己的視野，甚至觸及了一個新的領域，代表他又更認識化學界了。深度學習(Deep Learning)也是如此，比如訓練一個大草原的兇猛生物分類器，我們很好的識別了蟒蛇、獅子、豺狼等生物，而準確地判斷了斑馬是個很溫馴的草食動物，當這個分類器以後看到老虎，說不定就會覺得「老虎是個很溫馴的草食動物」，因為老虎跟斑馬身上的斑紋真的很像，被作為溫馴動物的特徵了！
姑且不論老虎是否溫馴，草食動物這點就讓這個AI不具有我們對老虎的了解。倘若我們相信準確度就是一切，那麼我們的模型其實正是掉進了小範圍的陷阱，對於沒看過的資料難以應對。
那麼這些不確定性通常來自哪裡呢？就是周圍的資料環境，我們又可以怎麼做好不確定性的捕捉呢？
風險管理的重要性，協助改進預測結果
一樣，上面我們提到了風險（risk）來自於「難以預料」與「無法控制」，這兩種類型的風險都是可以事先做好風險管理（risk management）的。
如果是實驗室，通常就會有一些「溫度、濕度」的微小浮動、商業環境中則是有競爭對手、政府政策、經濟貿易、科技進步等變動，金融市場則是貨幣政策、財政政策、資訊不對稱度等變動因素，這些都是「相對可控」但「難以預料」的風險因素，雖然他是不確定的，但是我們可以藉由考慮這些因子來捕捉「過去發生過的事情」，進而優化我們的模型，從經驗中學習。
而像是「電商活動成效」、「客戶流失」等對業務的不確定性，則是相對「可預料」但是「難以控制」的事件，比如客戶流失可以早在幾週、幾個月前看出趨勢、活動規劃可以在是前就做好評估、選品，但客戶口味變動大，即使已經慢慢掌握了客戶的生命週期，要怎麼留住顧客依然是個難題、這一次的活動會不會像往常一樣成功？這也是比較不可控的問題，畢竟造成最終結果的對象是顧客，而不是自己。
而處理這樣的變動也可以讓自己的商務更優化，好比納入節日因素、提前將客戶流失率編制成指數等等……來讓模型更好的捕捉到這些「不確定性」，讓我們的模型更加泛化。
什麼是理解？又什麼是訓練？
AI會取代人類嗎？
許多人會懷疑AI是不是將取代人類，搶人類的工作，但是真的從事資料科學、關注AI的人，或者「理解不確定觀念」的人就會知道這其中一定有什麼誤會。人類的標注工作、對於資料的理解才能夠幫助AI學得更好、學得更加泛化，真正達到「理解的智慧」。
還記得修統計學的時候，丁教授講到「Bayes」的觀念在巨量資料的時代非常重要，目前人們除了搭建深度神經網路，也同步研究所謂的Bayesian models，針對資料提問、不停輸入人們對於資料的理解來優化模型，嘗試突破可解釋性AI的極限。
這樣的反饋也比較符合人們的學習方式，不是給一本數值分析的題庫與對應解答本就要試圖推出「數值分析是什麼？」
而是慢慢將人類所理解的「數值分析」告訴AI，並給予它練習以及反饋，這其實也是ML的訓練過程，而非不容易解釋的神經網路黑盒子。
但難以解釋的不確定性真的不好嗎？
相對地，深度學習也開啟了另外一種「不確定的好處」，畢竟人的理解其實有限，尤其在資料堆積得越來越高的時代，我們有時也難以把人的智慧清楚傳達給機器，甚至我們懂得比我們能表達出來的多，比如很難定義「游泳怎麼游」，要訂的規則實在太多，但是深度學習的不確定性，意味著說不定能夠捕捉更多我們「還未察覺」的訊號，將任務做得更好、更快、更精準。
AI並非移除不確定性，但是可以「更了解世界」。財務上我們也不會說我們在「消除風險」，風險無法消除，我們做的事情就是「規避風險」，比如避險基金(Hedge Fund)，該發生的就是會發生。
甚至有人說「降低風險」是移除風險，這也是錯誤的，降低風險本身就無法跟「本來的風險」比較，因為這同時也把獲益放在槓桿上，調整風險的同時限制了自己的收益。投資人並非做了比較好的決策，只是將風險調整到自己可以接受的範圍內，並且默認了對應的理財模式。
談到這裡不得不提金融學本身的智慧，在財務管理中有兩個名詞，return and yield ，看似都是代表「收益」，但是背後的意涵又有所區別，有興趣的人可以看看這篇investopedia的名詞解釋，連結一下自己對AI的理解看看。
我直接舉金融商品為例，通常談到yield我們會聯想到債券殖利率，債券這個商品受到利率的影響因素大，最大的風險也是利率風險。
但是return又讓金融玩家之間的差異更明顯一點，因為return其中的capital gains，大部分都是基於各式各樣的預測與財務評估方法賺到的，而return的風險來自於各式各樣的財務風險，諸如「組織、競爭環境、產品、投資人」等因素構成的風險。
所以常常在財經文章上看到的「股債64比」、「股債黃金244」之類的資產配置（聲明：此比例乃隨意舉例，不構成任何投資建議），其實就是在權衡「各式各樣的風險」，佐以其他因子所預期的「可接受風險下報酬最大化」，這是不是就很像AI中的「保留不確定性以最佳化分類/迴歸效果」呢？
風險，或者說不確定性，可以協助企業做出更好的決策、優化模型與AI，這點我們從金融那激烈的交易市場上其實就可窺知一二，我總覺得，接受「不確定性」正是一個工程師/科學家 從實驗室走向商業世界，一個經理人從商業世界學習進入實驗室中「交互跨界」所要學習的最大課題。而巨量資料所培育的越來越強大的AI，正是這界線的交叉口。
reference:
歡迎想對企業人工智慧轉型理解更深入、希望培養與深入學習數據分析、合作相關的讀者e-mail我:)
有其他問題都可以底下留言。
歡迎想學習Python資料科學、商業分析、金融知識的人一起交流！本部落格的內容全部都是基於「分享」的實作、理論兼顧文章，希望能夠幫助到所有對資料科學領域有興趣的人們，長期關注可按左手邊的Follow!若喜歡我在 Medium 的內容，可以拍個手（Claps）這邊想做個實驗，好讓我知道你/妳喜不喜歡這篇文章：
拍 10 下：簽個到，表示支持（謝謝鼓勵！）
拍 20 下：想要我多寫「商管相關」
拍 30 下：想要我多寫「資科相關」
拍 50 下：我有你這讀者寫這篇也心滿意足了！敬請期待下一篇！或是您也可以逛逛我的其他資料科學文章：
人工智慧商務系列：
Python資料科學系列：
看我用金融的概念解釋AI：
如果想跟著我實作資料科學，開始寫程式必知必會基礎系列：
