导语 战胜柯洁后，Google AlphaGo再次成为热门话题，网络上宣扬人工智能将夺去人类工作的文章比比皆是。与其担心将来失去工作，或者我们可以更进取一点，了解“机器学习”这个热门的概念，毕竟既然要面对将来跟你抢饭碗的家伙，知己知彼更能出奇制胜。
在网上查找了一些资料，还专门找来吴军博士等技术大牛的文章和书研读一番，惊讶的发现这个让机器更智能的“强化学习”，竟对猎头公司如何培养高产值顾问有着深刻的启发意义。你可能会说：不能吧，人脑和电脑是一回事吗？好吧，不管怎么说，我先试着分析给你看，相信伶俐如你，很快能判断是不是这么一回事。 为了更好的说明我的想法，首先从机器是如何学习开始说。这里关于机器学习的观点来自吴军博士，如果想宏观地深入了解，建议去看看他写的《智能时代》。 “机器学习根据数据使用的不同分两种方法，一种是提供一堆数据给它，计算机从这些杂乱无章的数据中学习并且得到规律，这叫无监督学习；另外一种是由人来标识出具体的方向和重点，计算机凭其强大的运算能力据此得出规律，这叫有监督学习。 例如
举个例子，从一堆资料中找出合适的人才，无监督的学习就是事先不向你讲清楚这个职位搜寻的重点是什么，可能会在那些地方找到合适的人，让你自己去摸索，找的合适的就会被通知面试，不合适的就石沉大海。你从无数次的尝试中自己得出规律，那些职位用什么方法，通过那个渠道找能更快更准。 反过来，当你接职位的时候，你的导师已经告诉你这个职位的重点在那里，符合那些条件的人是合适的，会在那些渠道能找到这些人，这就是有监督的学习。
这两种学习的方式各有千秋，无监督的学习需要获得大量试错机会，而市场上那些极低收费的合作，为此提供不少的契机。这对于客户和公司来讲，是商业上的选择，但有一个很大的副作用，就是培训出来的新人，能成才的只是小概率事件，大部份处于简历搬运工的水平，可以预见将来会被智能机器取代。
有监督的学习则相反，为了让新人在实践中确保输出服务质素的稳定，相当于是利用了资深顾问的智力。但是因为顾问全程指导不仅成本高，而且新人也比较难短时间内得到大量的试错机会，必须用时间长度来弥补试错强度。最要命的是因为实践过程中是沿着导师的思路来执行，新人虽然上手速度快，但也束缚了其创新性。
总的来讲，有监督的学习，方向明确，效率更高，但提升高度有限；无监督的学习方向不明，试错成本高，但因为不受指导者的思维限制，所以提升高度不可估量。 
那么，有没有一种学习方法，能兼得两种学习方法的优势？答案是肯定的，这就是机器学习进阶版本的“强化学习”（Reinforcement Leaning）。 因为篇幅有限，我下一节再和你聊聊这个话题。 作者：Susan——Talentview创始合伙人 泰能猎头，始于1998年，重生于非典后，闯过了2008年的金融危机，始终用自己专业的态度为企业和人才提供稳定优质的服务。愿我们的低调稳重，为你开创一条金光大道。
原创文章，转载请注明出处！ | 
