以下內容編譯自

https://knowledge.wharton.upenn.edu/article/want-better-forecasting-silence-the-noise/

主要論點

接續昨天的整理內容：

6. 即便機器有他的限度，但不代表人類不能與之合作：
   1. 我們可以使用過往人類作出的判斷以及最終發生的結果，讓機器學習人類預測的模式。
   2. 如果針對過往沒發生過的事件進行預測，我們也可以將許多人的意見輸入模型中，其最終產出會是一個較少雜訊與偏見且更準確的結果。
   3. 機器甚至可以把許多份預測整合成一份共識預測(consensus prediction)，進而做到比任何一筆單獨的預測的資訊還要來得多，而且雜訊也較少。
7. 長遠來看，消除雜訊對於預測有益無害，即便選擇偏激做到完全沒有雜訊這樣的極端。雜訊只有壞沒有好。
8. 預測很難，但事件發生後，對預測進行解釋很容易。
   • 如果一個人沒有被錄取，他解讀說「阿，一定是我學歷不夠好」，這樣的情形。
9. 一般決策的時候，人們傾向請益於不同的專家。我們可以做的是將不同專家的意見彙集成一份共識，然後依此決策。善用群眾的智慧。

以上，只讀筆者整理的這九點，應該就足以瞭解本篇逐字稿的內容。

明天讓我們開始閱讀「Why We Need Noise Prediction Modelling」這一篇。

收工！