构造知识反馈闭环

认知升级

构造知识反馈闭环

梁桂钊 | 作者

摘自「服务端思维」知识星球 2019/03/18 期分享

马拉松是一种人生历练。对每一个成功的运动员而言，他们总是善于分解大目标为一个个小目标，循循渐进，寻求反馈，迭代自己。对于人工智能（机器学习）也是如此，机器学习的反馈闭环必须是业务天然的一个有机部分，用户行为通过产品的端实时反馈到数据智能的云上，这样沉淀下来的数据在帮助机器学习在模型的基础上不断优化模型的精确度，它又把优化结果通过端实时提升用户体验。这才是一个自然的智能商业循环，而数据化本质上将一种现象转化成可量化形式的过程。这里，我们从生活阅历谈到了商业智能，而与我们息息相关的「学习」，也是需要构建一种反馈闭环。

如图所示，这个是我对构造自己的知识反馈闭环的理解。如果我把这个图理解成计算机的搜索引擎，我们想像成通过输入关键字，从而获得搜索引擎的收获结果。如果这个是我们的大脑，那么我们输入关键字来从大脑提取决策意见。对此，是不是有点类似和有趣。现在，听我细细道来。

我们学习的过程，就是不断知识输入的过程，我们可以通过阅读技术书籍、观看技术视频、参与技术探讨、遇到工作问题等输入知识，然后通过大脑的“知识模型”转化和沉淀到我们的知识仓库中。所谓的“一万小时理论”，其实就是加强这条链路，提高决策的快速提取能力。以技术知识为例，比如我对「微服务」不熟，它可能在我的知识仓库的角落位置，如果我做了笔记，等价于我记录了一个位置和知识的目录清单，提高我找到它的能力。如果我天天思考（学习）它，天天实践（获取）它，那么，我闭着眼睛也可以快速在大脑中做出决策。是吧，道理就是这样通熟易懂。

但是，我们往往缺少「反馈」这条链路，换句话说，我们怎么知道我们的决策是对的？这里，我们有必要再来思考下机器学习，它一开始构建的模型可能精确度很低，不过，有趣的事，它通过大数据的持续输入和自我修正来完善模型。我们自我成长和学习亦是如此。

首先，我们遇到技术问题，并且解决问题是一种反馈机制。正如，《技术探讨的正确姿势》提到的：经常有人会问面试题有答案吗？这个问题怎么解决？然后，我们发了一份答案，或者帮忙解决问题之后，这个流程就结束了。事实上，这个过程存在反馈，但是缺少持续输入，因此，如果下一次遇到一个类似的问题，仍然不会解决，因为没有沉淀到自己的知识仓库形成决策输出。正确的做法是，我们要采取批评性学习。例如，“这个面试题的答案为什么是这个，有其他方案，或者遗漏的地方吗？”、“是什么导致了这个错误，我以后要怎么避免？”、“你的文章的内容是否正确，是不是存在知识盲区？”。是的，我们通过逻辑抽象和高质量的思考来完善知识体系，并且提高决策能力。

其次，我觉得书写是为了更好地思考，分享是为了更好地交流。所以，虽然我有的时候因为工作原因断更了，不过，从整体上看来，我还是在持续输出的。对我而言，书写可以让我系统性复盘自己的知识仓库，以一种高质量的逻辑抽象来复述自己对知识的理解。注意的是，复述知识比知道知识本身的要求更高。比如这篇文章，我以为自己 10 分钟就可以写清楚核心逻辑，但是，事实上，写到这里，我已经耗费了快 1 个小时的精力。同时，分享的过程，也是一种反馈的过程。我经常收到读者对自己的分享内容的挑战或是请教，对我而言，反馈使我思考，从而获取新的输入，帮忙我慢慢地完善自己的知识体系。

最后，我非常感谢我的阿里同事。因为，我每天与一群最聪明的同事相处，让我获取了大量的反馈信息，帮忙我对技术、业务、人生等方面的不断思考和成长，收获颇丰。个人经验和经历会限制自己的思维方式乃至眼界。同时，我们经常会沉浸在自己的固有思维中，就是所谓的知识盲区。只有不断与别人交流并且输出自己的想法，我们才能发现自己的不足和打破认知局限。

服务端思维 | 知识卡片

构造自己的知识反馈闭环：持续输入，提高决策的快速提取能力；反馈迭代，修复知识偏差，打破认知局限，并收敛知识的体系模型。

梁桂钊

更多相关文章

随机推荐