盡管如此，算法是(至少在最初階段)提供一個專有的制造解決方案更好的手段，但它們并不是朝向自我驅動網絡的唯一有利可圖的方面。
機器學習基本上是系統可以學習新行為，而不被程序員明確告知這種行為應該是什么的想法。這種行為是用模型來表示的，它們本身就是檢查數據的結果。在LinkedIn上，人們可能看到數據科學家發現通過算法找到了表達數據(及其模式)的方法。
機器學習的價值元素是什么?
這里最明顯的答案是算法中會產生價值。簡單地說，誰能發現在數據海洋中找到原因就能獲利。
基本上，組織將分為兩個主要陣營：一是采用算法提供競爭優勢的機構，二是那些將機器學習視為真正只是使事情變得成本更低并簡單快樂的工具。取決于那些更適合組織的目標，其價值所在的答案將不同。
每個人都會直觀地了解更好的搜索和標注算法的作用，提高谷歌的能力調整其結果，定位內容和營利廣告的能力。大多數人也明白，算法可以幫助大型零售商提出購買建議并調整定價以最大化利潤。有些人意識到游戲公司跟蹤游戲和購買行為，然后使用機器學習來誘使玩家購買他們的應用購買計劃。
但不是每個用例都提供了業務和算法之間的直接鏈接。事實上，對于絕大多數的公司和用例來說，機器學習更可能是一種工具而不是核心能力。
消費機器學習
如果機器學習被降級為配角，這意味著它將不再是公司必須掌握的算法。相反，作為更廣泛的解決方案的一部分，算法將會被采購。而且，如果做的很好，實際的算法將類似于重要的源代碼。
當然，算法并不是推動最終解決方案行為的因素。該模型的算法產生將意味著廣義規則成為情境，從而實現更有效的行為模式。
事實上，在網絡環境中，如果機器學習的目標是將工作流程自動化作為自適應或預測操作的一部分，則通用算法只是構建塊。工作流不是普遍存在的，這意味著廣義的構建塊可能僅占解決方案的80%。
數據也很有價值
如何研究一個算法?在機器學習中，人們訓練它。這是數據來源的地方。如果被訓練的行為在所有或甚至許多環境中是通用和一致的，那么數據可以來自許多地方，并作為網絡解決方案的一部分聚合起來。
但是，如果行為特別是基于實際部署的設備以及周圍的基礎設施、應用程序和工具，那么廣義算法必須被送到高度語境化的數據中。
在這種情況下，數據與算法幾乎一樣重要。事實上，沒有數據策略的公司會發現機器學習和人工智能的發展趨勢特別殘酷。想象一下，內部銷售通過機器學習實現自動化的努力，結果卻發現它需要大量的基礎設施進行大規模的RIP和替換。
一切都是傳感器，應該是流媒體
在過去的幾年里，網絡中流媒體數據得到了強有力的推動。事實證明，解決數據分發對于遷移到事件驅動的基礎架構至關重要。
大部分同樣的工作將很好地轉化為機器學習發揮作用的世界。需要收集培訓數據的方法。這不是一次性的事情，它必須是一個持續的進化。如果你不在基礎設施的基礎上更新模型，就會發現像自動化這樣的東西只是加速了可以自己動手的速度。
底線
如果你聽到機器學習的警告，但不考慮如何隨時間動態地收集和使用數據，那么未來幾年將是相當令人失望的。如果希望在自動化過程中避免事件驅動的中間步驟，可能會在將來的狀態中丟失數據的價值。
雖然算法很重要，但是它們不會自己做這些工作，它們是一種手段。人們應該規劃現在如何思考更廣義的規則集。
聰明的組織會意識到這些數據的價值。這開辟了傳統網絡未見過的貨幣化機會。
京公網安備 11010502049343號