今天我们讲一讲关于利用蒙特卡洛树搜索（Monte Carlo tree search）来做风险评估。
首先我们需要了解他的基本原理：
通过上面的图，可以得知蒙特卡洛树搜索分五步：
- 选择：从根节点R向下利用递归选择最优节点到某一节点L。
- 扩展：若需要进行一个新的动作A，需要在节点L下创建子节点，任选其中一个子节点C进行扩展。
- 模拟：从C节点开始随机向下进行，直到找到最终的结果。
- 反向传播：记录下此次的迭代结果，为新出现的子节点评分。
重复1到4步，最后选择每项评分最高的节点，即我们所需的最优解。
蒙特卡洛树搜索的优点是......
停停停，我们不是来这里学算法的！
我们工程师经常会犯一个错误：当他想要介绍一个技术多么有用，可以带来什么效益，有什么好处时，却开始介绍这个技术本身了。最后工程师还不能理解：“为什么我解释的这么清楚了，他却依然不懂我在说什么？”
因为你可能没注意到：当你懂得了一个技术原理的同时，你就自动剔除了不懂时的记忆。
为何教小孩子很累？因为你认为是常识的东西，他并不能理解。你是站在“懂”的角度来看待这个问题的，而他站在“不懂”的角度。而这中间隔着很深的鸿沟。
虽然现在与你沟通的都是成年人，但是在技术领域中，他们也只是新手，还处于“不懂”的角度看待问题。枯燥的技术讲解并不能让你们的沟通变得高效。
那么，如何才能将让别人“懂”呢？
我们需要做到以下四点：
1、阐述结论，讲明效用
所以，在你介绍一门技术时，讲清楚有什么用，远比讲技术本身重要。
如果你看过我写的其他文章，你会发现我的文章都有清楚明了的加粗了关键词。
正和一本书的目录一样，这些关键词的作用在于，你哪怕不去看文章本身，你也可以从中大概预估到文章内容。
如果你找到了有兴趣的部分，就可以选择性阅读。这样大大减少了阅读的时间和精力。
和阅读时类似，你想要在有限的时间内将自己的想法让他人引起兴趣，首先就需要讲明结论和效用。
技术手段都是用来解决问题的。大多数人对技术本身不感兴趣，他们是出于“技术变现”的态度来了解这项技术的。你的技术介绍，是用来佐证技术的可行性，而不是来进行知识科普的。
2、活用例子，允许偏差
很多情况下，利用一个大家常用的例子，就能很容易的解释一个看起来很高深的问题。
比如说初中课本里，我们在解释电流时，学生很难想象电流在电线中流动的样子。
但是如果将电流类比成水流，将电压类比成水压，将电阻类比成流阻，那么就能很清楚直观的将电流的基础原理解释清楚。
觉得这个太简单了？我们来解释一下区块链。
而我会利用非常简单一个例子：
- 假设我们有一个小村庄，每个人都担心其他人是坏人。那么怎么样才能在这种情况下将张三家的白菜卖给李四呢？
- 我们规定每家门口有一个邮箱，这个邮箱的邮件可以阅读，但是不能更改内容。
- 当张三要卖白菜给李四，他们要将“卖白菜”这件事情群发到所有人的邮箱里，然后每个人都要回信“我知道了”。那么，张三才能将这颗白菜才能卖给李四。
- 因为大家都了解“张三将白菜卖给李四”这件事情了，那么张三就不能将同一颗白菜再卖给其他人了。
那个邮箱就是区块链。
区块链的专业人士一定会觉得我这个例子十分不靠谱：哪有这么简单？而且根本没有讲清楚关于记账权，交易认证，分布式存储等等！
那么，你还记得牛顿力学原理么？
我们现在通过引力波证明了“牛顿力学原理是有偏差的”。那么为何我们中学还在教牛顿三定律呢？
因为大多数情况下，了解到基础知识已经足够于应用了。
而和非专业人士交流时，他们只想要了解其中的核心思想。所以适当的偏差其实并不影响技术的理解，还能利用生动的例子来引起他人的兴趣。
3、少用术语，多用图形
如果我们想要传授一个知识点时，专业术语是必不可少的。
但我们不是培训机构，不必利用专业术语来显示自己的专业多么强。过多的专业术语，反而更难让听众理解。
那么，我们如何才能让听众简单明了的听懂呢？
一图胜千言。
人是视觉动物。法国科学家就证明过，我们的视觉在150毫秒内，就可以将图片中非常复杂的信息读取出来。这也是为何我们到现在为止，都无法利用计算机来处理图片中，物体与物体间的关系的问题。正如下图，电脑无法识别“人站在羊驼旁”和“人被羊驼追”的区别。
所以当我们看见一张图片时，我们的大脑会其中的信息自动分类，而这样也能避免我们用语言沟通时带来的各种不便。
比如，如果你想告诉你同事，新开的那家牛肉面馆汤头多么的鲜美，面条多么劲道，肉料多么丰富。不管你用多浮夸的语言来形容牛肉面的味道，都不如直接给他发一张图：
看到这张图，他还不会心动吗？
所以，一张恰到好处的图片，完全可以替代你的所想所说。激发听众的自我思考，可以促进他们对知识的理解。
4、相互沟通，加强反馈
当你用尽量平实的语言，配合以图片和例子，将一个技术难题用生动形象的方式解释清楚。那么你还缺什么？
你还缺乏听众的反馈。
本杰明·富兰克林说过：“告诉我,我会忘记；教给我,我可能会记得；让我参与,我才能学会。” 我们很容易陷入自说自话的窘境。当你讲的时间过长时，听众就很容易走神。而减少走神的方法就是互动。
激活你和听众的互动，才能真正理解到听众了解了多少。
我们在讲解的过程中，很容易将自己代入老师的身份。
那你还记得你上学时最喜欢哪种老师么？
你是喜欢：
- 你们听懂没有？
- 你，来重新讲一遍。
- 这么简单都不懂。
还是喜欢：
- 大家觉得我哪个地方讲的难懂？
- 有没有哪里还需要我复述一遍的？
- 我们来画个图。
我们不能让听众产生“听不懂是因为自己笨”，而是“多交流就能解决问题”。
所以我们的互动不能是直接式，命令式的。互动方式应该是间接式，请求式的。
那么我们现在重新介绍一下蒙特卡洛树搜索。
蒙特卡洛树搜索可以减少50%风险评估时的工作量。是一个非常适用于风险评估师的辅助工具。
蒙特卡洛树搜索作为一种启发式算法，常用于不确定游戏中，例如著名的围棋大师，阿尔法狗(Alpha Go)，就利用该算法打败了柯洁。
因为风险的不确定性也很强，所以我们可以利用这个算法来提升我们评估的准确度，从而大量节省评估时间和成本。
既然是树搜索，那么我们就用树来举一个例子：
一颗小树长大了，它需要向着阳光生长才能更好的吸收营养。
以下是先决条件：
我们从种子阶段开始，一共有四步：
重复1到3步。
- 最后，小树就能找到最合适的方向生长了。
这样理解的话，蒙特卡洛树搜索是不是一下子变得简单明了？
暂无评论，点击讲两句