姚夢娜提出的這個問題,對於常浩南來說,不難理解。
隻是很難解決。
真要說起來的話,這涉及到文本挖掘、數據可視化、信息檢索、數據挖掘、機器學習乃至人工智能等一係列問題。
如果真做到姚夢娜所設想的那樣全自動化生產,那就是工業4.0了。
在1999年這個時間點上,顯然不大現實。
但不可能完全實現這一整套東西,並不意味著其中沒有可以作為突破口的部分。
比如數據挖掘和信息檢索,就是千禧年附近很火熱的研究方向。
其核心目的是從海量數據庫和大量繁雜信息中提取出有價值的知識,並進一步提高信息的利用率。
實際上,在常浩南重生之前,飛機設計和製造領域已經開始應用這方麵的技術,他本人也接觸過不少。
但當年的他作為一個工科出身的普通技術人員,並沒有太多理論功底。
而係統,則首先需要構建出一個完整且可行的思路出來。
這就導致如今他腦子裡空有一大堆名詞,但卻不知道哪個是破局的關鍵——
實際上,他此時就麵臨著無法從大量繁雜信息中提取出有價值信息的困境。
“信息……”
常浩南從旁邊扯過一張紙,在紙的最中間寫下了兩個字。
在理想化的模型中,最好是一個數據就可以精確且唯一地描述一個含義。
也就是一維數據。
小學和中學時候做的應用題,大體上就是這樣。
實際生活中麵臨的,其實大多數也是這種問題。
而對於稍複雜一些的情況來說,要完全描述一個含義,往往需要一組數據。
但與此同時,這一組數據又往往不隻能描述這一個含義。
要想在數學上描述這種一組多個數據對應多個含義的現象,就需要將一組數據在不同的維度上進行展開。
這是由數學理論推向現實的情況。
而反過來,現實中收集到的信息,在多數情況下,本身就是已經展開過的高維數據。
而如果想要讓計算機處理這些高維數據……
常浩南思索半晌,又在紙上寫下了三個基本條件:
1、對原始高維數據進行壓縮,降低原始高維數據的維度,進而節省存儲空間,同時也降低高維數據的計算複雜度。
2、消除,或者至少降低隱藏在原始高維數據中的噪聲。
3、提取到高質量的數據特征,提升後續的數據表示和分類任務的效果。
他在腦子裡把這三條內容過了一下,然後試圖讓係統給出一個結果。
沒有反應。
顯然,這並不能被算作是“完整且可行”的思路。
……
不知不覺間,常浩南就在辦公桌前枯坐到了快要吃午飯的時候。
仍然沒能想出一個很好的思路。
直到一陣來自腹部的叫聲把它從深思中吵醒。
確實有點餓了。
姚夢娜看了看紙上的一個名詞和三句話,也知道常浩南大概是沒什麼思路,乾脆站起身道:
“要不先去吃個飯?”
“也好。”
常浩南不是那種死鑽牛角尖的人。
更何況數學這種東西,光靠俺尋思是尋思不出個一二三的。
沒有靈感,說啥都沒用。
不如先放鬆一下,換個思路。
十五分鐘後,三人連同朱雅丹已經圍坐在了食堂二層的一個圓桌旁邊。
這裡算是個點餐製的小灶,價格比下麵的大食堂貴一些,加上還要多上一層樓,因此來這裡吃飯的人並不算多。
倒是旁邊的小超市,來來往往的人流量不少。
常浩南麵前擺著一份熱氣騰騰的羊湯麵,但卻並沒有急著動筷子,而是出神地看著不遠處樓梯口上上下下的人群。