如何定义一个AI问题
AI问题定义方法
提出AI/ML问题的更好方式
作为一名拥有超过25年软件工程经验的人，我回答过很多刚开始接触人工智能（AI）和机器学习（ML）的软件开发者的问题，所以我想分享一些关于在聊天论坛（如Slack和Discord）上发布AI/ML问题的贴士。
背景
一些用户常有一个误解，认为他们可以只是“发布”问题。然而，聊天论坛与在线论坛（如stackoverflow）在原则上是不同的。聊天论坛往往更加一对一，因此回答一个问题需要更多的时间和精力。因此，最好在一开始就花点时间来正确描述问题，特别是在发送直接消息（DM）时。否则，很可能会得到错误的答案（这是相当常见的）。
注意给予你建议的用户的背景和经验。许多Discord用户是高中和本科学生，没有AI/ML或软件工程经验。我在我的个人资料中列出了我的资历（完全透明）。
解决AI/ML问题的第一步是能够详细地描述和理解问题。
概述
以下是我关于描述AI/ML问题的一些建议[1]：
- 给出一些关于你的背景和经验的描述。
- 描述问题，包括ML问题的类别。
- 详细描述数据集，并愿意分享你的数据集。
- 描述你已经完成的任何数据准备和特征工程步骤。
- 描述你尝试过的任何模型。
- 文本和表格优于绘图和图表。
- 避免请求用户帮助调试你的代码。
由于一些用户使用移动设备访问Discord，最好通过GitHub Gist、Pastebin等方式分享你的问题描述和/或代码片段，并在论坛上分享链接。
最好通过DM分享文件或创建一个线程，这样其他用户就不必在频道中搜索你的文件和帖子。请记住，Discord频道的内容是非结构化的，因此很难在频道中搜索找到你的原始帖子。
如果有人自愿帮助你，如果你给他们发送DM，复制/粘贴你的原始帖子可能会有帮助。
如果你遇到编码问题，最好分享代码/算法源代码的链接，并说你在实现上遇到了问题，而不是发布代码片段并询问“我的代码有什么问题？”
详情
在你的论坛帖子中，你应该简要提供以下信息（每个项目1-2句）：
1. 给出一些关于你的背景和经验的描述。
最好让用户事先知道你是在高中、大学、研究生院、研究员、有经验的专业人士等。
许多Discord用户没有意识到很多问题需要花费大量时间进行研究才能给出答案。因此，公平起见，你应该简要描述一下你的背景。
我在帮助初学者（对我来说是未知的）解决错误问题和使用错误算法时，学到了这个教训。
2. 描述问题。
简要描述问题，包括如果已知的ML问题类型（数值：分类，回归；图像：目标分类，目标检测，目标识别；文本：情感分析，主题建模，文本生成等）。
这一步可能包括文献综述。然而，如果你能找到一些解决相同问题的文章，那么现在就可以使用。
问题制定的一部分是决定你是否处理有监督学习、无监督学习、强化学习等[1]。
模型的目标是什么？分类、预测、检测、翻译等。
项目的目标是什么？研究、工程、商业应用、爱好等。
3. 详细描述数据集，并愿意共享您的数据集。
描述数据集，包括输入特征和目标特征。
最好分享数据的摘要统计信息，包括任何离散或分类特征的计数，包括目标特征。
最好共享整个数据集（如果您希望有人帮助您，则必须开放和诚实）。
如果由于某种原因您无法共享数据集，则需要明确说明原因以及为什么无法共享数据集。
请注意，Discord用户非常愿意捐赠时间提供免费咨询建议，但试图提出含糊问题以获取有偿项目的免费建议是不道德的。如果是这种情况，您应该坚持重复地明确这一事实（不要指望其他Discord用户去挖掘您的原始帖子）。
4. 描述您所做的任何数据准备和特征工程步骤。
数据准备和清理的步骤和技术因数据集而异。
最常见的步骤包括：修复结构错误、处理缺失或重复数据以及筛选异常值。
特征工程可以用于帮助算法并改善模型性能，包括创建新特征、合并稀疏类别、删除未使用的特征和添加虚拟变量。
如果所有变量都使用归一化或标准化技术缩放到相同范围，一些机器学习算法的表现会更好。
5. 描述您尝试过的模型（您应该至少尝试过一个模型）。
在进行数据准备和特征工程之后，第一步应该是评估几个基准模型，以便稍后进行比较。您选择的最终模型应该在您的数据集上表现优于基准模型。
6. 偏好文本和表格而不是图表。
最好不要在一个图上绘制多个指标，因为诸如matplotlib之类的库会自动调整坐标轴以更好地显示值的差异（有关示例，请参见如何诊断过拟合和欠拟合）。
以下是图表的一些常见问题：
- 表格用于比较模型并共享摘要统计信息。
- 图表可用于可视化模型结果，但不应用于评估和比较算法结果。
- 在移动设备上查看图表和图形很困难（许多用户使用移动设备访问Discord）。
- 图表可以具有误导性，无论是有意还是无意的（请参见关于如何用统计数据撒谎的教训）。
- 许多库（如Matplotlib）会在可能的情况下自动重新调整坐标轴以显示值的差异，这有利有弊。
最佳实践（也是大多数ML工具使用的方法）是计算多个性能指标（请参见机器学习错误指标），而不是绘制图表。
在ML中常用的唯一图表是绘制训练/验证损失的图表，以检查模型训练过程的收敛性。表格通常用于比较模型和共享摘要统计信息。如果决定将结果呈现为图表，最好包括性能指标的实际值表格。
由于AI/ML模型具有动态/随机的特性，每次训练和拟合模型时都会得到稍微不同的结果。因此，您应该运行整个过程（训练和拟合模型，然后通过计算性能指标评估模型）多次（比如10次）。最后，计算指标值的平均值。计算指标的均值、中位数和标准差也可能有所帮助。
这里有一些J. Brownlee撰写的文章，展示了一些展示机器学习结果的方法：
使用Keras进行多变量时间序列预测
如何开发用于空气污染的多变量多步时间序列预测模型
7. 避免要求用户帮助调试代码。
一般来说，问题通常不在算法的实现上，而是在数据准备和特征工程方面。
如果你发现自己陷入了代码调试中，那么这应该是一个警示信号，说明你需要重构代码，或者更可能的是选择一个更简单的模型（奥卡姆剃刀原则）。
参考资料
[1] S. Russell和P. Norvig，《人工智能：一种现代方法》，第4版。Upper Saddle River，NJ：Prentice Hall，ISBN：978–0–13–604259–4，2021年（主要是第19.9节）。
[2] E. Alpaydin，《机器学习导论》，第3版，MIT Press，ISBN：978–0262028189，2014年（主要是第19章）。
