着英子的回答：
“这模型怎么样？”
池远写得很简化，英子对深度学习有所了解也能看懂。
也正是因为能够看懂，她微微皱起了眉头，有些犹豫道：
“模型很完善……但是不是太复杂了？需要的计算资源是不是太多了？”
“是需要很大的计算资源，但这不是为了追求‘最优’，面面都要考虑到嘛。”但这的确是个困扰池远的问题，“你有没有什么建议？”
英子知道的不多，一时间也想不到好办法。
话题冷了下来，两个人一边吃饭一边发呆。
熟悉的眼神涣散，英子却突然想起了下午看得眼神涣散的测试数据。
“我想到了！那些数据！非线性关系！”
她突然出声，把池远吓了个一激灵，回过神忍不住提醒道，“是‘复杂的’非线性关系……”
“别强调‘复杂’了，要简化！既然是非线性的，将略微相关的数据进行分类处理，得到类属性，那时不时可以忽略类属性变量之间的依赖关系可以相对忽略？”
要是抛开对‘复杂’的执着，池远也懂了英子的意思，“你的意思是用朴素贝叶斯分类器？”
“还有tan分类器。”英子眯眼道。
“这想法不错。”池远笑着敲了敲桌子，“还有吗？”
“我认为还能引入‘注意力机制’，让模型更加关注重要的特征，从而提高对关键信息的捕捉能力。”英子越说越自信。
果然，不同的思考方式注意到的重点都是不一样的。
英子两条意见都是冲着‘偷懒’……咳，是‘简化’的目的。
“但可靠性呢？”
深度学习算法有识别异常的工程，更重要的是它还能预测。
预测，就对可靠性有着更严苛的要求。
池远的问题很致命。
“再设计一个可靠性模型？”英子试探性地问？
这又何尝不是一种办法？
池远琢磨着除了将测试相关数据收入进去外，还可以将试车时长、试车次数、技术状态、试车各环境参数等多种因素塞进可靠性模型中，最好综合得到一个考核分值。