你所未曾了解的大数据：人为力量

关于“大数据”你一定听滥了，但也没搞明白究竟是怎么回事。尽管你无时无刻不在感受到它带来的“某些”便利：

比如一周前你在某个社交网站上做面试测试题，当你面试完时才知道，那份测试题真正的意图是匹配你与团队性格的契合度有多高。又如，在十一黄金周前你接到某个购票应用推送的信息，上面提示你提前16天通过电话订火车票，要比同日在网上购票成功机率高。当你真的打过去时，发现电话预订系统正处于繁忙状态，而不得不等了2小时后再致电，才订票成功。但好过同一时刻被卡在12306网站上而付不了款。

大数据正在渗透各行各业，甚至能跟你考试能力测试、患上某种疾病的机率等非常生活化的场景应用都发生紧密的联系。今后大数据在我们的生活中就像是水和电一样，让社会整个信息质量更好、让信息利用效率更高效。

在这个系统中，数据的采样与后期分析仍需要靠人为力量去完成。

大数据时代人工干预仍有必要 

机器学习在大数据中确实占据主导作用，但真的不需要人为干预吗？例如，你已经习惯泛滥在身边网络营销，但你真的认可靠单纯的数学模型与规模数据分析的营销推荐吗？

ZestFinance是一个利用机器学习加大数据分析为 payday loan行业（发薪日贷款，类似高利贷的短期高利息借款）提供客户品质分析的平台。

与传统的分析方式不同，ZestFinance可同时运营多个模型对海量数据进行分析来判断各种可能性，再加上越来越多的数据来源和种类，然后这些信息被转化为几万个可对借贷者行为做出测量的指标，如诈骗几率、长期和短期内的信用风险和他的偿还能力。最后各模型的结果被整合成最终结果。这个平台可在几秒间为用户提供最可靠的结果。创始人Merrill 说：“我们更倾向于通过把机器学习机制和人工干预结合到一起。”

例如在医疗领域，机器学习基础上的数据分析就远远不够。“因为机器学习能推算出一定比例的概率，但无法达到精确、精准。”春雨掌上医生CTO曾柏毅向腾讯科技举例，如对于某种疾病模型的设计，是通过调取现有数据库中所有相似度90%以上提问，将问题结果分析汇总，制作疾病发生概率模型，并将每个问题医生的建议，总结出“无大碍”和“去医院“比例，为患者提供直观的数据参考。

“但这也是取一定比例的概率，是用于用户自查。可是否能精确到病人真的符合这种病症，还是需要人为分析（医生诊断），我们这些在后台的数据分析员也要去再排查、甄别数据的准确度。”上述人士谈到。