🛻There is something about Fleets ~哈啦 “芙莉” 第四彈: 精確率 (precision) vs. 捕獲率 (recall)~

如果你沒有看過 哈啦芙莉第三彈，建議你去看一下，不然看這篇就只是讓自己回想起過去學數學時，要記一堆公式的不愉快經驗。

先戴上教授帽子來個專業聲明，看辨識準不準不是只有precision 或是 recall這兩個指標，還有包含像是 Accuracy (正確率，真是受夠了這些完全沒有任何分辨性的中文翻譯)，或是 F1-Score、AUC 等等。這是學者讓人討厭尊敬的地方，對於很多魚與熊掌很難取捨的時候，我他們的做法就是創造出更多的指標 然後讓人們更難取捨需要他們。

先說結論，精確率高就是北宋包青天，被他狗頭鍘伺候的，沒人被冤枉。捕獲率高就是明朝東廠錦衣衛，沒有人可以對魏忠賢說三道四，然後人頭不落地。

同樣都是人頭落地，車隊管理應該選擇包青天還是錦衣衛?

對於車隊管理而言，需要的其實是可以行動的數據，而不是完整的數據。追求完整駕駛違規行為數據的人，其實是希望捕獲率很高，但是錦衣衛的捕獲率超高所付出的代價是甚麼，很多冤獄 (司機被誤判) ，民怨很高 (司機反彈)，明朝滅亡 (這類比我就不好說了)。

精確率高的資料是可以行動的數據嗎? 以檢舉達人為例，每張罰單我都氣得牙癢癢，但是卻有圖有真相 (明察秋毫)，雖然很多違規我還是沒被抓到，但是不斷收到罰單後，我就會更小心，小心就是行為的改變，就是車隊管理的真諦。

山不在高，有仙則名，水不在深，有龍則靈，引進AI的目的在於提供精確度高的行為數據給車隊進行有效管理，資料不在多，在精。如果A駕駛每月實際闖紅燈50次，B駕駛每月10次，然後你說捕獲率若只有60%，你無法在這樣不完整的數據下 30次 (=50*0.6) vs. 6次 (=10*0.6)，分辨需要被管理追蹤的駕駛，那麼包青天大概也救不了你。

後話: 其實不是沒有辦法讓 精確率 (precision) 與 捕獲率 (recall) 都非常高，以停車場的自動車牌辨識為例，應用需求上兩者都必須很高，兩者實務上也都可以達到很高 (認字母數字不就是國小一年級學生的程度嗎)。但是就車隊管理而言，應用需求端兩者都必須很高嗎? 當然不，實務上你願意花多少錢讓兩者都很高?

#OmniEyes

#ceoinsights

#ThereissomethingaboutFleets

#小編坐等大師半夜睡不著才有靈感寫下一彈