深度學習是機器學習的一個變體，代表著向人工智能發展的主要驅動力之一。因為深度學習可以提供比其他機器學習方法更為出色的數據融合能力，所以Gartner預測，到2019年，深度學習將成為實現需求、欺詐和故障預測最佳性能的關鍵驅動因素。
“深度學習會調整數據的表達，從而擴展了機器學習，”Gartner研究副總裁Alexander Linden這樣表示。“最終深度學習將解決復雜的、數據豐富的業務問題。例如，深度學習在解讀醫學圖像以便做早期診斷方面可以給出很好的結果，還可以幫忙改善視障人士的視力、控制自動駕駛的汽車、或者認識和理解某個人的語音。”
深度學習還繼承了機器學習的所有好處，在認知領域取得的多個突破證明了這一點。百度的語音轉譯為文本服務在類似任務中的表現要好于人類；PayPal正在使用深度學習作為阻止欺詐性付款的一種最佳方法，并將錯誤率降低了一半，而Amazon也將深度學習運用于最佳產品推薦中。
今天，機器學習通過深度學習最常見的用例就是在圖像、文本和音頻處理方面——但是也越來越多地用于預測需求、找出服務和產品質量的不足、檢測新型欺詐、簡化對動態數據的分析，以及提供預測甚至是規范性維護。然而，機器學習和人工智能項目取得成功需要的不僅僅是數據和算法，還需要大量技能、基礎設施和業務的認可。
如何為機器學習配備人才
大多數企業組織缺乏對簡單的機器學習解決方案所必要的數據科學技能，更不用說深度學習了。如果無法用易于使用的應用來啟動機器學習項目的話，IT負責人就需要機器學習方面的專業技能。
“在這種情況下，IT負責人需要尋找專家，也就是所謂的數據科學家。數據科學家可以從數據中提取廣泛的知識，可以整體查看端到端的流程，可以解決數據科學問題。”
Gartner預測，到2018年有80%的數據科學家將會把深度學習納入他們的工具包中。“如果你的一個團隊對數據有很好的了解，具有業務領域的專業知識并且能夠帶來產出，那么就可以開始機器學習方面的試水了。即使你的團隊缺乏算法經驗，也可以從打包的應用或者API開始做。”
成功地開始使用機器學習和人工智能
使用機器學習和人工智能為業務增加價值，這是一件復雜的事情。“不要故意地滿足機器學習的所有先決條件——而是找到正確的問題來解決，”Linden這樣表示。“從你使用你常用報告中的數據開始著手，例如區域訂單，這是一個不錯的主意。然后你可以把機器學習運用到做前瞻性預測，例如同一個訂單可以根據區域預測下個月的情況，然后再擴展到事后報告中，向業務的利益相關者展示機器學習的各種可能性。”
不過，機器學習也是有局限性的。Linden說：“如果有足夠的數據——例如數百萬條價格信息和供貨信息——去學習的話，機器學習系統就可能做出最好的決策，但是它無法判斷由此產生的決策是否符合道德標準。數據科學家現有的經驗和技能，與機器學習的新能力相結合，是成功采用機器學習和人工智能的成功要素。”
“對人類很難的事情對機器學習卻很簡單，對于機器學習很難的事情對于人類來說卻很容易。”
京公網安備 11010502049343號