J042｜機器學習的類推過程與你的人腦類推有什麼不同？

「類推，是理解事物的原理後，應用在其他地方。」

「類推，是從兩件事物之間找出相似性，並根據其相似點展開推測。」

「類推的思考態度，去問：

01 這個現象背後的基本原理是什麼？

02 如何將這件事情在本質上與自己相互結合？

03 從這個案例中可以抽取出什麼樣的教訓？」

「擅長概念思考的人，也擅於將事物A抽出的本質，應用於事務B上。」

「比喻表現也是一種類推，因為豐富的解釋透過巧表比喻表達，複雜事物以肩擔方式比喻，都能鍛鍊概念化的能力。」

這段討論，節錄於日本作者村山昇[1]出版的"創造思考的技術：運用概念思考，重新定義自己的事業、產品、服務，並銷售出去"[2]的第87頁，

刺激我對「類推思考」的重新審視。

「類推 Analogy」是非常重要的能力，

而類推中所依靠的相似性，其實就是我們深度思考後，

察覺到的某種「模式 Pattern」，

接著想要去應用到另一個情況上。

不知道你知不知道，

「模式辨別 Pattern Recognition」其實是現在熱門的「機器學習 Machine Learning」的前身。

只是早期的模式辨別技術，要先定義出模式，

接著再從數據中「辨認」這個模式。

這樣的做法有個缺點，就是能找到的模式，

超不出設計方法的人的想像空間。

而機器學習的技術蓬勃以後，

人們不再是去找特定的模式，

而是根據「下游任務 Downstream Task」想達到的目的，

定義好壞的標準，

接著就用一個「通用方法 General Methods」，

加上足夠的「計算 Computation」，

讓機器自己去找到數據中的模式，

而且是去找最適合達成下游任務的那種模式。

人在類推的過程，可以學習，人也是在找自己能理解的模式。

而機器在類推的過程，就是機器學習，機器也在找機器自己能理解的模式，然後把任務做好。

而「詮釋性 Interpretability」方面的研究，

則是人們試圖了解機器做任務找出的模式，

的一門研究方向，會非常有趣。

Reference

[1] https://globis.jp/person_articles/555/

[2] https://www.books.com.tw/products/0010966983