在金融領(lǐng)域人工智能和機(jī)器學(xué)習(xí)的應(yīng)用力度遠(yuǎn)不及其他領(lǐng)域，也可以說是在處處碰壁，當(dāng)數(shù)據(jù)科學(xué)家詢問機(jī)器學(xué)習(xí)模型的根據(jù)何在，我們能看到的只是一堆看不懂的復(fù)雜算法。人工智能無法去向人類一下做出能讓人理解的決策。

　　在過去的幾年里，機(jī)器學(xué)習(xí)和人工智能在準(zhǔn)確性方面取得了巨大的進(jìn)步。 然而，受監(jiān)管的行業(yè)（如銀行）仍然猶豫不決，往往優(yōu)先考慮法規(guī)遵從性和算法解釋的準(zhǔn)確性和效率。 有些企業(yè)甚至認(rèn)為這項(xiàng)技術(shù)不可信，或者說是危險(xiǎn)的。

　　在2008年金融危機(jī)期間，銀行業(yè)認(rèn)識到，他們的機(jī)器學(xué)習(xí)算法是基于有缺陷的假設(shè)。 因此，金融體系監(jiān)管機(jī)構(gòu)決定需要額外的控制措施，并引入了對銀行和保險(xiǎn)公司進(jìn)行“模式風(fēng)險(xiǎn)”管理的監(jiān)管要求。

　　銀行也必須證明他們理解他們所使用的模型，所以，令人遺憾但是可以理解的是，他們有意地限制了他們技術(shù)的復(fù)雜性，采用了簡單和可解釋性高于一切的廣義線性模型。

　　如果你想建立對機(jī)器學(xué)習(xí)的信任，可以嘗試像人一樣對待它，問它同樣的問題。

　　為了信任AI和機(jī)器學(xué)習(xí)提供的建議，來自所有行業(yè)的企業(yè)需要努力更好地理解它。 數(shù)據(jù)科學(xué)家和博士不應(yīng)該是唯一能夠清楚地解釋機(jī)器學(xué)習(xí)模型的人，因?yàn)檎鏏I理論家Eliezer Yudkowsky所說的那樣：“到目前為止，人工智能的最大危險(xiǎn)在于人們過早地認(rèn)為他們了解這項(xiàng)技術(shù)。

　　當(dāng)數(shù)據(jù)科學(xué)家被問及機(jī)器學(xué)習(xí)模型是如何作出決定的時(shí)候，他們傾向于使用復(fù)雜的數(shù)學(xué)方程式去解答，使得外行人目瞪口呆，也不知道可以如何信任這個(gè)模型。 以與人類決策相同的方式來處理機(jī)器學(xué)習(xí)決策，會不會更有成效？ 正如Udacity聯(lián)合創(chuàng)始人塞巴斯蒂安·特倫（SebasTIan Thrun）曾經(jīng)說的：“人工智能幾乎算得上是一門人文學(xué)科。 這實(shí)際上是一種理解人類智力和人類認(rèn)知的嘗試。”

　　所以，不要用復(fù)雜的數(shù)學(xué)方程來確定信貸員員如何做出決定，而只是簡單地問：“貸款申請表上哪些信息對您的決定最重要？或者，“什么值表示風(fēng)險(xiǎn)的高低，以及您是如何決定接受或者拒絕一些特定的貸款申請的？

　　可以采用同樣的人為方法去確定算法如何做出類似的決定的。例如，通過使用稱為特性影響的機(jī)器學(xué)習(xí)技術(shù)，可以確定循環(huán)效用余額，申請人的收入以及貸款目的是信貸員算法的前三個(gè)最重要的信息。

　　通過使用稱為原因代碼的能力，人們可以看出每個(gè)貸款申請人的詳細(xì)資料的估計(jì)中最重要的因素，并且通過利用稱為部分依賴的技術(shù)，可以看到該算法將較高收入貸款申請的風(fēng)險(xiǎn)等級評為較低。

　　通過分析機(jī)器如何像人類一樣做出決策可以使人類更好地理解人工智能和機(jī)器學(xué)習(xí)，此外，人類還可以通過認(rèn)識到技術(shù)的獨(dú)特能力來獲得對人工智能和機(jī)器學(xué)習(xí)信任，包括：

　　解決可信度和數(shù)據(jù)異常值的問題：傳統(tǒng)統(tǒng)計(jì)模型通常需要假設(shè)數(shù)據(jù)是如何創(chuàng)建的，數(shù)據(jù)的背后的過程以及數(shù)據(jù)的可信度。然而，機(jī)器學(xué)習(xí)通過使用高度靈活的算法來消除這些限制性的假設(shè)，這些算法不會給予比它應(yīng)得的更多的可信度。

　　支持現(xiàn)代計(jì)算機(jī)和海量數(shù)據(jù)集：與手工流程不同，機(jī)器學(xué)習(xí)不假設(shè)世界充滿了直線。相反，它會自動調(diào)整方程式以查明最佳模式，并測試哪些算法和模式最適合獨(dú)立驗(yàn)證數(shù)據(jù)（而不是僅測試所訓(xùn)練的數(shù)據(jù)）。

　　利用缺少的值預(yù)測未來：高級機(jī)器學(xué)習(xí)不是要求數(shù)小時(shí)的數(shù)據(jù)清理，而是可以構(gòu)建一個(gè)藍(lán)圖，優(yōu)化特定算法的數(shù)據(jù)，自動檢測缺失值，確定哪些算法不適用缺失值，尋找取代缺失值的最佳值，并使用缺失值的存在來預(yù)測不同的結(jié)果。

　　不要懷疑AI或機(jī)器學(xué)習(xí)的建議，讓我們通過詢問我們要求人類的相同推理問題來更好地理解它們。讓我們認(rèn)識到技術(shù)在降低數(shù)據(jù)異常可信度方面的客觀能力，以及為當(dāng)今海量數(shù)據(jù)提供可擴(kuò)展的靈活性的能力。

　　也許最重要的是，讓我們承認(rèn)AI和機(jī)器學(xué)習(xí)的能力，通過利用缺少的信息來更好地預(yù)測未來的結(jié)果。因?yàn)殡m然技術(shù)確實(shí)足夠強(qiáng)大以至于需要警惕和正式的監(jiān)管，但如果能夠建立一個(gè)正確的理解和信任水平，消費(fèi)者和企業(yè)都只會受益。