機器學習取得顯著進展
雖然機器學習的基本概念由來已久，但如今正變得炙手可熱。在斯坦福大學，機器學習是最受歡迎的研究生課程，報讀該課程的學生多達760人。此外，全球領先的信息技術研究和顧問公司Gartner的研究顯示，高級分析(涵蓋機器學習)是業務分析軟件市場內增速最快的細分領域。
高級機器學習算法由多種用于無監督與監督式學習的技術構成(如：深度學習、神經網絡和自然語言處理等)，并基于當前信息而運行。高級機器學習已經從此前提供基于算法的解決方案，向更具洞察力、自我引導與自主化轉變。它與萬物信息化(information-of-everything)技術聯系密切，例如：數學優化、文本挖掘、統計分析、搜索引擎和動態本體論。
數據大爆炸和信息復雜化使得人工分類與分析變得不再可行和成本高昂。機器學習可自動執行這些任務，并能夠處理萬物信息化所帶來的主要挑戰。
監督式學習是高級機器學習在業界最普遍的應用，涵蓋約95%的機器學習使用案例。監督式學習需要“培訓數據”，它將通過描述機器學習系統在觀察與執行結果之間的預期映射而“傳授”機器學習模型。
這些映射可以用于預測數量(如：收入或需求預測)，或劃分或預測特定事件發生的概率(如：機器故障與客戶購買或反復買賣)。
谷歌收購DeepMind凸顯了高級機器學習在監督式學習領域內的強大功能。DeepMind的阿爾法圍棋利用信息自我學習中國圍棋，然后采取自主行動。這一功能可讓其發現自行完成任務的方法，例如：識別與響應面部表情、響應語言和翻譯各種語言。
高級機器學習支持全新數字現實
高級機器學習技術的發展趨勢為各企業機構提供了贏得未來成功的基本能力。以下各行業的業務情景反映了高級機器學習的多種潛能：
推薦零售產品：機器學習可以從源自零售店凝視技術到智能手機傳感器數據的網購歷史和產品偏好中挖掘分散的數據集，從而創建購買傾向模型，預測客戶最可能購買的產品類型。
保險動態定價：根據具體市場的狀況，例如：盜竊頻發、房屋經濟泡沫、歷史銷售、自然災害或者消費者的選擇性數據共享，創建預測模型，動態調整保險費率。
酒店業在線風險化解：隨著新業務生態系統紛紛涌現并重新定義各個行業(例如酒店業)，這些生態系統及其社區的欺詐行為正造成日益增多的風險。諸如Airbnb等企業可利用機器學習構建風險模型，保護客戶。
優化借貸：高級機器學習解決方案可以反映出貸款申請人的詳細信息(如：人口統計數據以及信用和償還歷史)，從而預測該申請人的某筆貸款發生違約的概率。
零售銀行欺詐偵測：可以創建算法，開展評估和為當前的實時交易建模，并根據受欺詐概率構建交易預測模型。
城市公用事業實時決策：例如，高級機器學習可以根據風輪機、太陽能電池板與土壤致動器構建概率模型，動態調節水電，以降低維護成本，盡可能減少停機時間。
患者診斷：通過收集來自如下潛在來源的數據：當前生命體征、癥狀、家庭實驗室測試或者來自演算醫療設備的歷史生命體征，高級機器學習可以向醫生提供更準確的醫療狀況分類，包括治療或處理建議。
創造安全工作條件：對于員工可能在危險環境下工作的企業機構而言，機器學習可以根據對空氣質量、設備性能、員工生產力、甚至是非典型行為進行測量而得到的傳感器數據探測預警信號，以便預測事故發生概率。
客戶服務自動化：虛擬助理將主動接待來電尋求支持的客戶，它通過認知能力傾聽客戶之聲(語音識別)，并進而映射到引導式培訓集與知識庫，德克薩斯州奧斯丁市和美國汽車保險公司(USAA)均采用了此功能。
京公網安備 11010502049343號