1、过去我们在做两个事：1、建模开店的经验；2、通过机器学习对于不同的品牌门店，在不同位置的转化率。2、这两件事都有很多不同的做法，比如前者用本体去维护一些if\then，后者用特征回归、关系网络学习3、但是有一个问题我们提出来很久，一直没有进行着手解决。那就是除了我们通过各个场景的实验，验证机器学习的准确率高于经验规则以后进行切换之外，是否存在一个可能，将两者融合，提升学习效率。1、假设我们要为一个新茶饮品牌，在某个城市寻找适合开店的位置。我们手里有五类信息：“这个点位客流不错，但以通勤人群为主，和品牌的消费场景不完全匹配。”
“附近虽然有很多竞品，但已经形成了茶饮消费集群，不一定是坏事。”
“租金虽然贵了一些，但如果能把店做小，单位面积的经营效率可能更高。”
2、如果你问到底怎么样的客流算不错，到底哪些品牌是互补的，竞品浓度到底到什么程度是负向指标，你会发现这些经验都是模糊的。在这里，模糊不是一个负向词汇。这些经验当这个专家带着一个徒弟看过越来越多点位，开了越来越多店，它往往是可以被学习被传承的。3、当我们想要让机器来进行这样经验的学习的时候，传统计算机程序通常需要明确的条件，例如：如果日均客流大于 3,000 人，则判定为高客流。这是一种硬边界判断。但真实的商业世界并不总是如此。2,990 人和 3,010 人的客流，真的应该被划分为两个截然不同的类别吗？显然不是。1、模糊逻辑提供了另一种表达方式。
1993 年，J.-S. Roger Jang，发表了ANFIS，全称是 Adaptive-Network-Based Fuzzy Inference System，即自适应网络模糊推理系统。刊载于 IEEE Transactions on Systems, Man, and Cybernetics
2、ANFIS会把规则转化成可以计算的结构。
3、以上面那个开店的例子为例
第一步，计算每个输入与模糊集合的匹配程度。例如，某点位的客流对“高客流”集合的隶属度为 0.8，品牌匹配度对“高匹配”集合的隶属度为 0.9。
第二步，计算规则的激活程度。如果采用乘积型模糊 AND 运算，那么这两个条件组合起来的激活程度就是：0.8 × 0.9 = 0.72。
第三步，根据各条规则的激活程度，对规则输出进行加权组合。
第四步，将最终输出与真实门店数据进行比较，计算预测误差，再通过训练算法调整相应参数。
4、随着训练样本增加，系统能够逐步修正隶属函数以及规则后件中的参数，使模型更好地拟合输入与输出之间的关系。
这意味着，模糊规则不再只是专家写好之后交给机器执行的知识。它们也成为可以接受数据检验、能够被调整的模型组成部分。这正是 ANFIS 最有价值的地方：它把模糊推理与数据驱动学习结合起来，使人类经验可以成为机器学习的起点，而不是只能作为模型之外的说明。
5、ANFIS意义是从“专家制定规则、机器执行”转向“专家提供结构、机器学习参数”。但传统ANFIS和符号专家系统一样，在输入维度和规则数量增长时，容易遇到规则组合爆炸。1、自动化的规则学习和生成，比如常见于网规领域的特征洞察工作，本质上是个规则生成和学习过程。2、稀疏规则选择、分层结构、粗粒化，是规则爆炸的解法3、品牌关系，是个显然由图神经网络或者其他表示学习方法学习效率高得多的，不可能是由线性规则计算表征的。4、逻辑规则的软硬分析，有些场景是可以交给梯度优化的，比如客流与销售额，逻辑上所有其他变量一样情况下，客流越大，销售额是更大的，而我们常见有些经验决策，客流大似乎反而成为了一种负向指标；另外有些场景则应该是用硬性商业约束。5、面向决策行动干预的持续学习的神经因果模糊模型，可解释的模糊规则，并不代表可靠的推理，1、符号、模糊、神经网络、图、因果，这些工具不应是简单的做技术优劣划分，或者因为此刻特殊浮躁时期带来了主流或者前沿与否的臧否。越是不了解算法的同学，越是容易忽略价值做出“这有啥稀奇”的评价。但是在我看，组织智能，复杂系统的构建是最大的壁垒，透彻了解每个算法工具背后的价值，将最简单的东西安放在最合适的位置上实现最低成本的最高效产出，这样的系统和架构才可能涌现出无与伦比智慧。- 很多因果分解的工作，其实是在产品架构、业务流程里完成的，比如今天很多连锁企业的选址系统，把很多本应是采集的变量，交给了模型作为预测变量。
- 在转化率预测的场景里，这是个符号规则冷启动，模糊层衔接机器学习；但是在决策场景里，往往需要更符号化的商业硬规则，或者需要人工审核的规则更新，而不是神经网络的黑盒决策。甚至在我们过去的模型交付里，传统机器学习的线性模型都因为缺乏可解释性而不被信任。
- 从交互层（GUI或者CHATBOT），到各个目标决策场景的梳理，到不同场景的推理和学习架构的设计，再到围绕不同的推理的数据规范治理，再到评估体系的设立，最后就是本文这个如何解决机器学习经验的最后一块粘合剂，这个架构流程的建制，我觉得是可持续优化的组织智能的基础。
3、就和我们过去几年对网规大数据那个今天中国连锁行业选址主流技术路线的不认可一样，我们将网规-拓展-决策-运营架构拆解出来，并倡导建立流程来作为智能的基本承载，是我们认为我们对于行业第一个最重大的贡献，它其实非常简单而浅显，今天慢慢已经开始成为行业共识。而我们基于点位级的低成本信息采集，基于点位级的周边品牌图结构学习的所谓场景定向的转化率预测，依然是行业非共识，相比传统连锁巨头，正在被越来越多新品牌接受，让我们看看巨头们会花多久接受。今天这篇关于模糊神经网络，只是我们在过去一直在寻找的最后一块拼图，我们也并没有任何的实践，就像我们内部讨论将来要不要把我们的慢闪店的转化率数据集开放给市场一样，这每一步思考我都希望开放给市场，吸引更多的优秀伙伴一起来讨论和实践。我们倡导的上述思路，可能根本就不值一提，可能狗屁不通，建了一个微信群，欢迎有兴趣的伙伴随时交流，如果过期了，欢迎联系微信leebha，备注可计算开店数据算法交流
