跨境知识库AI × 亚马逊

先给结论还是先给原始数据,看你的先验对不对

先给结论还是先给原始数据,我以前习惯只给原始数据,后来发现这个习惯只在一个条件下成立:你的先验不可靠。先验可靠的时候,先给结论,它才有东西可以攻。

·

AI协作投喂顺序先验判断

先给结论还是先给原始数据,我以前习惯只给原始数据,后来发现这个习惯只在一个条件下成立:你的先验不可靠。先验可靠的时候,先给结论,它才有东西可以攻。

分岔点在先验能不能被证伪

三条判断,按顺序问:这件事你做过没有;做过的话你的结论来自自己的判断还是别人说的;这个结论有没有可能在数据里被推翻。

三条都是「是」,先给结论。任意一条是「否」,先给原始数据。

第三条最容易漏掉。很多人会说自己有把握,其实那个把握经不起对照——它是个印象,不是能被数据判死的判断。

先给结论还是先给原始数据,看你的先验对不对
先给结论还是先给原始数据,看你的先验对不对

投喂顺序两条路的分岔点、纠偏代价、退回办法与停手条件

两条路摆在这张表里

维度A 路 先给原始数据B 路 先给结论
触发场景第一次做这类判断做过两三次,手上有直觉
前提条件你知道自己缺什么你的结论能被数据证伪
执行动作只喂原始数据,让它先看先给结论,让它找反例
选错的代价多跑一轮,多一条没想过的角度顺着你改口,越问越窄,一轮白问十几分钟
回退方案把结论撤回来重问一遍换个说法让它反驳自己
什么时候必须停它开始顺着你的措辞写它的说法只是你的复述

先给结论这条路有个必须承认的好处:它会把最不舒服的问题放到你面前。你说这个品能做,它会去找销量结构里有没有一票否决的项。这个问题你自己问自己,多半不会认真问。

先给原始数据的收益也实在:它给的角度你没想过。但这条收益有前提,是你承认自己缺什么。心里已经有答案、嘴上说我要原始数据,它给的角度你一样不会看。

顺序带来的差别不在答案,在问题

同一个模型,同一份数据,顺序换一下,问出来的东西不一样。先给结论,它答的是「你的判断在哪些地方会出问题」;先给数据,它答的是「这堆数据里有什么」。两个问题都对,但你要的如果是前者,就必须先给结论。

这条差别经常被忽略,因为两种输出读起来都像分析。我的识别方法看它开头第一句:先给结论的输出,第一句通常在重复你的判断;先给数据的,第一句在描述数据本身。

两种路都会失败的一种情况

先给结论的失败形式是顺着你改口。你说东它说东,你换个说法它还是顺着,那个「找反例」变成「找支持证据」。识别方法很简单:它的结论里出现你的措辞,出现得越多越糟。

先给原始数据的失败形式是它给的角度你答不上来。那个角度对你就是噪声,因为它超出了你的经验范围。

这两种失败有个共同的处置:把顺序换过来重跑一次。先给结论之后发现被顺着走了,就撤掉结论只给原始数据;先给原始数据发现自己答不上来,就把问题具体化再问一次。

优劣翻转与都不该走

先验可靠的时候先给结论能省一轮。我多数判断只要一轮就能问完,后面几轮都在互相印证同一件事,白花时间。

先验不可靠的时候先给数据能少走弯路。这类活我一年遇到几次,每次都是判断错了才回头发现当初该让它先看数据。

都不该走的情况是:你不熟这件事,而且你的结论是从别人那听来的。这种情况下两条路都会拿你的假设洗一遍,洗完更像真的,比一开始还糟。这时候该做的是换个人问,或者先把来源问清楚。

← 返回AI × 亚马逊板块