工程師，別人聽的懂你的技術嗎？
今天我們講一講關於利用 蒙特卡洛樹搜尋 （Monte Carlo tree search）來做風險評估。
首先我們需要了解他的基本原理：
蒙特卡洛樹搜尋分五步：
1.選擇：從根節點R向下利用遞迴選擇最優節點到某一節點L。
2.擴充套件：若需要進行一個新的動作A，需要在節點L下建立子節點，任選其中一個子節點C進行擴充套件。
3.模擬：從C節點開始隨機向下進行，直到找到最終的結果。
4.反向傳播：記錄下此次的迭代結果，為新出現的子節點評分。
5.重複1到4步，最後選擇每項評分最高的節點，即我們所需的最優解。
蒙特卡洛樹搜尋的優點是。。。。。。
停停停，我們不是來這裡學演算法的！
我們工程師經常會犯一個錯誤：當他想要介紹一個技術多麼有用，可以帶來什麼效益，有什麼好處時，卻開始介紹這個技術本身了。最後工程師還不能理解：“為什麼我解釋的這麼清楚了，他卻依然不懂我在說什麼？”
因為你可能沒注意到： 當你懂得了一個 技術原理 的同時，你就自動剔除了不懂時的記憶。
為何教小孩子很累？因為你認為是常識的東西，他並不能理解。你是站在“懂”的角度來看待這個問題的，而他站在“不懂”的角度。而這中間隔著很深的鴻溝。
雖然現在與你溝通的都是成年人，但是在技術領域中，他們也只是新手，還處於“不懂”的角度看待問題。枯燥的技術講解並不能讓你們的溝通變得高效。
那麼，如何才能將讓別人“懂”呢？
我們需要做到以下四點：
1.闡述結論，講明效用
2.活用例子，允許偏差
3.少用術語，多用圖形
4.相互溝通，加強反饋
1.闡述結論，講明效用
在餐廳吃飯時，你不會在意廚師的切菜技藝多麼高超，而是他做的好不好吃。
在買香水時，你不會在意裡面的成分是什麼，而是它香不香。
在挑手機時，你不會在意裡面的工藝走線，而是它好不好用。
所以，在你介紹一門技術時，講清楚有什麼用，遠比講技術本身重要。
如果你看過我寫的其他文章，你會發現我的文章都有清楚明瞭的 加粗了關鍵詞 。
正和一本書的目錄一樣，這些關鍵詞的作用在於，你哪怕不去看文章本身，你也可以從中大概預估到文章內容。
如果你找到了有興趣的部分，就可以選擇性閱讀。這樣大大減少了閱讀的時間和精力。
和閱讀時類似，你想要在有限的時間內將自己的想法讓他人引起興趣，首先就需要講明 結論和效用 。
技術手段都是用來解決問題的。大多數人對技術本身不感興趣，他們是出於“技術變現”的態度來了解這項技術的。你的技術介紹，是用來佐證技術的可行性，而不是來進行知識科普的。
我們需要抓住聽眾的 核心需求 。
如果他是老闆，就告訴他效益的提升。
如果他是經理，就告訴他時間的節省。
如果他是客戶，就告訴他產品的優勢。
2. 活用例子，允許偏差
很多情況下，利用一個大家常用的例子，就能很容易的解釋一個看起來很高深的問題。
比如說初中課本里，我們在解釋電流時，學生很難想象電流在電線中流動的樣子。
但是如果將電流類比成水流，將電壓類比成水壓，將電阻類比成流阻，那麼就能很清楚直觀的將電流的基礎原理解釋清楚。
覺得這個太簡單了？我們來解釋一下區塊鏈。
如果按照正常情況來說，你需要解釋關於公共賬本，分佈記賬，權益證明等等。
如果要更加深入的話，你就要解釋SHA-256, 區塊儲存單元，默克爾樹等等。
而我會利用非常簡單一個例子：
假設我們有一個小村莊，每個人都擔心其他人是壞人。那麼怎麼樣才能在這種情況下將張三家的白菜賣給李四呢？
我們規定每家門口有一個郵箱，這個郵箱的郵件可以閱讀，但是不能更改內容。
當張三要賣白菜給李四，他們要將“賣白菜”這件事情群發到所有人的郵箱裡，然後每個人都要回信“我知道了”。那麼，張三才能將這顆白菜才能賣給李四。
因為大家都瞭解“張三將白菜賣給李四”這件事情了，那麼張三就不能將同一顆白菜再賣給其他人了。
那個郵箱就是區塊鏈。
區塊鏈的專業人士一定會覺得我這個例子十分不靠譜：哪有這麼簡單？而且根本沒有講清楚關於記賬權，交易認證，分散式儲存等等！
那麼，你還記得牛頓力學原理麼？
我們現在通過引力波證明了“牛頓力學原理是有偏差的”。那麼為何我們中學還在教牛頓三定律呢？
因為大多數情況下，瞭解到基礎知識已經足夠於應用了。
而和非專業人士交流時，他們只想要了解其中的核心思想。所以適當的偏差其實並不影響技術的理解，還能利用生動的例子來引起他人的興趣。
3. 少用術語，多用圖形
如果我們想要傳授一個知識點時，專業術語是必不可少的。
但我們不是培訓機構，不必利用專業術語來顯示自己的專業多麼強。過多的專業術語，反而更難讓聽眾理解。
那麼，我們如何才能讓聽眾簡單明瞭的聽懂呢？
一圖勝千言。
人是視覺動物。法國科學家就證明過，我們的視覺在150毫秒內，就可以將圖片中非常複雜的資訊讀取出來。這也是為何我們到現在為止，都無法利用計算機來處理圖片中，物體與物體間的關係的問題。正如電腦無法識別“人站在羊駝旁”和“人被羊駝追”的區別。
所以當我們看見一張圖片時，我們的大腦會其中的資訊自動分類，而這樣也能 避免我們用語言溝通時帶來的各種不便。
比如，如果你想告訴你同事，新開的那家牛肉麵館湯頭多麼的鮮美，麵條多麼勁道，肉料多麼豐富。不管你用多浮誇的語言來形容牛肉麵的味道，都不如直接給他發一張圖。
看到圖，他還不會心動嗎？
所以，一張恰到好處的圖片，完全可以替代你的所想所說。激發聽眾的自我思考，可以促進他們對知識的理解。
4. 相互溝通，加強反饋
當你用盡量平實的語言，配合以圖片和例子，將一個技術難題用生動形象的方式解釋清楚。那麼你還缺什麼？
你還缺乏聽眾的反饋。
本傑明·富蘭克林說過：“告訴我,我會忘記；教給我,我可能會記得；讓我參與,我才能學會。”
我們很容易陷入自說自話的窘境。當你講的時間過長時，聽眾就很容易走神。而減少走神的方法就是互動。
啟用你和聽眾的互動，才能真正理解到聽眾瞭解了多少。
我們在講解的過程中，很容易將自己代入老師的身份。
那你還記得你上學時最喜歡哪種老師麼？
你是喜歡：
你們聽懂沒有？
你，來重新講一遍。
這麼簡單都不懂。
還是喜歡：
大家覺得我哪個地方講的難懂？
有沒有哪裡還需要我複述一遍的？
我們來畫個圖。
我們不能讓聽眾產生“聽不懂是因為自己笨”，而是“多交流就能解決問題”。
所以我們的互動不能是直接式，命令式的。 互動方式應該是間接式，請求式的。
那麼我們現在重新介紹一下蒙特卡洛樹搜尋。
蒙特卡洛樹搜尋可以減少50%風險評估時的工作量。是一個非常適用於風險評估師的輔助工具。
蒙特卡洛樹搜尋作為一種啟發式演算法，常用於不確定遊戲中，例如著名的圍棋大師， 阿爾法狗 (Alpha Go) ，就利用該演算法打敗了柯潔。
因為風險的不確定性也很強，所以我們可以利用這個演算法來提升我們評估的準確度， 從而大量節省評估時間和成本 。
既然是樹搜尋，那麼我們就用樹來舉一個例子：
一顆小樹長大了，它需要向著陽光生長才能更好的吸收營養。
以下是先決條件：
太陽是按照一定規律執行的（資訊對稱）。
周圍有其他物體遮擋，小樹不知道具體在什麼方位陽光最好（黑盒）。
小樹的營養是有限的（時間限制）。
小樹長得越高，就越能接近陽光（最優策略）。
我們從種子階段開始，一共有四步：
1.隨意向著一個地方生長。
2.如果這裡光線溫暖，就分配更多營養在這裡增長（權重增加）。
3.如果這裡光線暗淡，也不會停止生長，而是減緩生長速度（權重減少），直到發現這個地方的陽光更好。
4.重複1到3步。
最後，小樹就能找到最合適的方向生長了。
這樣理解的話，蒙特卡洛樹搜尋是不是一下子變得簡單明瞭？