这是我打算将自己的知识进行系统化整理，以及结合本校老师教材进行进一步深化学习，推动自己深化内功的笔记。

    第一次接触机器学习，是学校组织的人工智能课程，当时是拿着一本西瓜书，给我们讲原理，说实话，第一次学很容易听不进去，实操课是一个房价预测的学习，但其实没什么实质性的内容。在我大四的时候，学校组织校内实习，我参与了一个关于CNN神经网络物品识别的实习项目，涉及到一个kaggle水果识别的训练。

    后来我参加一家医学公司，负责西门子生化免疫流水线的试剂供应决策，工作中涉及到大量供应链的实际问题，比如效期、周期性消耗变化、特殊消耗情况、供应商供应流程变动等等。供应决策依赖针对供应商、客户端仓库产品的数据分析和监控，管理涉及到构建良好的周期工作SOP、数据收集、数据分析、支持决策、数据归档形成周报、月报等等。

    因为试剂价值高，月度订单价值90万元左右（医院客户回款价，具体真实数据会更高），同时因为这是一家创业公司，数据基础设施较差，风险发现的难度大，错误发生后造成的损失基本都是千元甚至万元以上，缺货导致医院客户对应项目停机，影响公司声誉和客户影响力，对于我的工作更有影响，所以更准确的预测、风险干预管理、安全冗余设计是必要的。于是基于机器学习的消耗、供应预测工具就应运而生了。

    实际上数据分析、数据开发、机器学习、神经网络、深度学习、推荐召回算法、Agent同出一门，并且由浅入深，都是为了帮助企业在复杂的数据情况下，进行更可控的运营决策。

    数据分析涉及到的工具：Excel、SPSS、PowerBI、SQL、Pandas、Matlab（可进行更直观的信号数据分析）等等；
    机器学习涉及到：决策树、支持向量机、随机森林、贝叶斯、线性回归等等；
    神经网络目前我使用过：CNN物品识别+音频识别、GNN图神经网络进行边级预测、NLP语言分析；
    推荐算法涉及到：DRN（BCQ\DQN）、双塔、FM交叉、协同过滤等等。

    延伸到现在的多模态Agent、深度学习推荐算法，则是利用模型产出的Token，作为数据投入算法，前期训练、临时边缘计算、冷启动等等都能直接用到。

    因为决策本身就是一个“推荐思路”的过程，所以其实以上这所有的东西，本身就是在做推荐，因此我认为所有算法本身就是为了推荐设计的。包括工作中使用到的工具，最后产出得到相对合理的试剂供应决策，实际上就是人根据数据来判断得出的推荐决策。AIGC智能生成内容本质上是根据提示词，把最适合用户需求的内容，生成并推荐给用户。甚至Agent的工作，planning和一些自适应的自动提示词工程（这个是我另一个Agent项目的课题），都涉及到推荐、自动发现和模型自动利用Token进行工作推荐，多Agent协作则是Agent互相推荐。

    推荐算法是把整个工作交给算法来独立进行了而已。

    这些就是我对整个人工智能时代的思考。