文：朗恩・傅利曼（Ron Friedman）
像演算法一樣思考
艾莉莎．納森在二十二歲那年認識了喬許．亞諾維。逆向他們靦腆地互傳幾則簡訊，工程接著又多傳了幾則。都能第步的精喬許提議相約外出。變優別人
他們第一次約會是祕訣到一家繪畫品酒工作室，玩得很開心。成精過了一會兒，湛技湛技艾莉莎發現工作室裡已經沒有別人，看出員工也忙著打掃。逆向她向其中一名員工詢問是工程不是準備打烊了。「親愛的都能第步的精，我們在四十五分鐘以前就已經打烊了。變優別人」
時間雖然已經很晚，祕訣但他們還不打算結束這場約會，成精一點也不想。湛技湛技他們一時興起，走進了喬許非常喜歡的披薩餐館，共享一片美味的蘑菇披薩，還有他們之間的第一個吻。這是一場完美的約會。不到兩年後，他們已決定共度一生，並且正在敲定婚禮的計畫。
艾莉莎與喬許能夠結婚，必須歸功於演算法。他們在網路上認識，而且是在全世界最熱門的交友應用程式上：Tinder。
不久之前，在網站上找伴侶還被視為別無選擇的無奈之舉。不過，這種汙名在今天已經消失。研究顯示，現在有將近四成的感情關係都是始於網路交友，而且通常比實體約會展開的關係更成功。換句話說，透過網路交往更有可能走向艾莉莎與喬許那種有如童話故事般的醉人結局。
線上交友軟體在伴侶配對上之所以那麼有效，原因是利用了機器學習辨識使用者沒有言明的偏好——就連一般人可能都沒意識到自己擁有的特殊偏好。舉例來說，每次只要有個像艾莉莎這樣的使用者接受一名交友建議對象，或是對一張照片看得比較久，或是點選細看某人的個人檔案，或是回應一則訊息，Tinder的演算法就會記錄下來。這些行為表示使用者對於那名對象感興趣。然後，演算法把獲得艾莉莎投注時間與注意力的所有男子挑出來，分析他們共通的特色。這些男子都是高還是矮？他們平均幾歲？根據他們的個人檔案，這些男子是外向又熱愛冒險，還是愛看書又內向？
Tinder演算法想求出一種配方，能夠捕捉到艾莉莎心目中理想的男人擁有的特徵。演算法越是能夠辨識她的偏好，就越能提出吸引她的追求者清單，而她找到真命天子的機會也越大。
往回倒推，得出致勝公式
近年來，像Tinder使用的這種演算法已顛覆許多產業，一大原因就是演算法能夠迅速偵測出模式。從數以千計的點擊、頁面捲動以及滑動的動作中，提煉出一道公式，再以此預測未來行為，這也帶給各種領域深遠的影響，包括商業、科技，乃至愛情。
這樣的過程也與逆向工程有明顯可見的共通之處。把一個引人入勝的故事、一首交響樂，或者一張照片轉變為一道配方，同樣也需要推斷遠超出單一例子當中明顯可見的元素。從事逆向工程，需要後退一步、推測模式，並且提出公式。
就許多方面來看，辨識模式是人類最擅長的事情。實際上，在許多世代當中，這是求生的基本要求。
在人類歷史上，我們的祖先都藉著辨識模式預測各式各樣的事物，包括在哪裡可以找到食物、什麼顏色的植物可能有毒，以及在一天當中的什麼時間進入莽原比較安全。要在一片危險的區域當中生存，你就必須能夠解讀周遭的環境，而推論接下來可能發生的事。在今天，擅長辨識模式也許不再生死攸關，但心理學家卻認為這種能力在預測成功方面仍扮演了極重要的角色，而且也是高智商的核心面向之一。
然而，如同許多電腦科學家注意到的，由於科技的進展，現在電腦辨識模式的能力已遠遠勝過我們。
這點也因此引起一些令人好奇的提問：演算法為什麼那麼善於辨識模式？我們如果要精進自己的逆向工程能力，又能夠從演算法當中學到什麼？
簡短的答案是，可以學到很多。
且讓我們從基本開始。模式辨識引擎具備四大要素，第一是資料蒐集。要預測什麼類型的男人能夠吸引艾莉莎，首先必須針對她喜歡與不喜歡的男人找出實際例子。這兩者都可從她的反應（點選了哪些男人的檔案）當中取得，而這就是第一步：蒐集例子。
第二是拆解例子，從中找出重要變數。這些男人的哪些不同之處有可能對艾莉莎的決定造成影響？明顯可見的是生理特徵，例如年齡、體重與身高。不過，接下來還有個人檔案的品質：他們上傳的照片數量、自傳的長度，還有他們的自我簡介裡傳達出來的人格類型。在這第二個階段辨識出越多變數，就越有機會精確抓出能夠吸引艾莉莎的要點。
第三是偵測相似性。艾莉莎感興趣的男人有哪些相同之處？他們有哪些共同的特徵？還有，遭到艾莉莎拒絕的男人呢？他們和她喜歡的對象有什麼不同？藉著比較這兩個群體的特質，交友演算法即可開始辨識出促使艾莉莎做出決定的元素。
最後一步，就是演算法利用分析結果，針對艾莉莎會喜歡的男人做出預測。如此一來，艾莉莎收到推薦選項後會越看越順眼，也更合乎她喜歡的類型。艾莉莎在應用程式裡接受或拒絕推薦對象的次數越多，演算法就越準確，用她回饋的資料持續修正預測並改進。
美食裡的隱藏公式：為什麼你無法抗拒自己最喜愛的菜餚
在變數有限的情況下，人類相當善於偵測模式，但超過一定的複雜度之後，我們的表現就會大幅下滑。而電腦演算法正是在這種情況下大大勝過我們。演算法能夠評估龐大的特質資料庫，同時分析多項元素，也能隨著新資料出現而即時更新預測。演算法也不像人類會下意識也受到他人期望和社會壓力影響，所以不怕提出非傳統的預測。
這些優勢疊加起來之後，與人類的差距就會越拉越大。舉個簡單的例子，看看IBM怎麼悄悄顛覆了烹飪界。不久以前，在以IBM的首任執行長湯瑪斯．華生（Thomas J. Watson）為名的機器學習程式「華生」當中，該公司的程式設計師輸入了兩類資訊，包括研究一般人認為美味的食物所得出的發現（這個領域稱為「享樂心理物理學」），以及《好胃口》雜誌（Bon Appétit）歷來的完整食譜檔案。他們把輸入這些資訊之後的程式稱為「華生主廚」，然後依據其偵測出來的模式，從資料當中產生出新菜餚的食譜。