对许多人来说，这是一种监督的ML，ML从你的(培训)数据中学习，让它变得聪明，然后再进行预测。它的预测被用于任务自动化，从设置恒温器等简单任务到更复杂的任务(比如自动驾驶汽车)。这些预测也被主题专家用来帮助决策--商业智能就是一个典型的例子。它们也被用于诸如TikTok之类的流行应用中。

换句话说，这主要是关于预测。ML已经建立了一个预测你的世界的统计模型。但ML还有另一个重要且经常被忽视的特性：它从数据中推断洞见。广义地说，它研究数据中的各种参数(变量)是如何相互关联的。

假设你对确定影响收缩压的因素感兴趣。使用电子表格，你可以记录可能影响血压的参数：睡眠时间、有氧运动时间、药物、饮食习惯、工作压力等等。这些数据培训可以改进你的统计模型，以了解你的心脏行为，预测你的收缩压。如上所述，通常使用ML来预测。

接下来，你想知道这些参数之间的关系及其对收缩压的影响。例如，如果你在工作中感到压力，如果你做有氧运动20分钟或以上，或者晚上散步，你的收缩压可能会恢复到正常水平，但不幸的是，药物可能没有那么大的帮助。

数据中隐藏着更多这样的规则，根据你的心脏行为，这些规则是个性化的。想象一下，通过这些洞察力，我们能很好地控制我们的血压！在ML中发现预测收缩压的能力，甚至比挖掘出来的数据更重要。

我们如何才能让ML深入挖掘这些洞察力？

它需要透明的ML，因为统计模型变得越来越复杂，这变得越来越困难。

最近，随着"可解释人工智能"的发展，透明度领域取得了进展，这说明了预测背后的原因，列出了影响参数及其在预测结果中的相对重要性(在我们的医疗保健例子中的收缩压)。

华盛顿大学(University Of Washington)的本地可解释模型不可知论解释(LAM)是ML解释人工智能的第一步，它使用更简单、更透明的模型来近似复杂和不透明的模型。然而，还需要做更多的工作，尤其是当建立透明模型的培训数据难以导出时，导致误导性解释。一些较新的ML平台，比如EazyML，已经成功地用启发式方法解决了这个问题，尤其是在分类方面。

尽管研究还必须继续，但ML已经足够成熟，可以提供数据洞察。在我们的收缩压医学例子中，想象一下一位心脏病专家，他能就如何保持血压水平保持正常提供具体、个性化的建议。机器学习的数据洞察力将开启一个新时代，帮助我们更好地了解我们周围的世界。