企業需要充分利用已有的大量非結構化數據，而深度學習應用程序無疑是幫助企業完成數據分析等工作的好幫手。

在Twitter公司，Hugo LaRochelle的工作是研究社交網絡用戶彼此聯系的方式，以及想要對內容（包括微博、圖片和視頻）進行分類和推廣，哪些東西會引起他們的興趣。為了順利完成這一任務，他和他的同事們使用了一種新興技術：深度學習工具。

LaRochelle分享了在波士頓“深度學習峰會”上發表的演講。深度學習屬于機器學習的范疇，可以解決一些復雜的問題，如用自然語言解釋圖像或文本。當數據分析應用程序涉及非結構化數據或需要主觀解釋時，深度學習技術（很大程度上依賴于神經網絡的使用）比傳統的機器學習更加有效。

深度學習正迅速成為高級數據分析領域的一個熱門話題。LaRochelle表示，在過去的五年里，研究人員和企業分析小組一直在努力尋找分析非結構化文本、圖像和視頻數據的有力工具，而深度學習技術在此期間也取得了顯著的進步。

強大的開源工具的可用性是另一個關鍵的催化劑。LaRochelle說，他的團隊采用的是谷歌的Tensorflow和Torch，這些開源的機器學習平臺是由Facebook、谷歌和Twitter的研究人員開發的。這些工具使得數據科學家和其他分析師建立深度學習應用的過程更加簡單。

“所有這些因素結合在一起，使得深度學習獲得巨大的成功，”LaRochelle補充道。

除了組織存儲的數據類型的不同，數據的絕對量是促進深度學習工具和技術發展的一個關鍵因素。Affectiva的首席科學家和研究部總監Daniel McDuff表示，新興公司積累了足夠的數據后，技術才能更好地發揮作用。

Affectiva的前身是麻省理工學院媒體實驗室在2009年推出的一個研究項目。最初，該公司的研究人員試圖用一對夫婦的視頻“訓練”面部識別軟件，用該軟件解釋實驗者的情緒狀態。多年來，Affectiva為數以百萬計的人像鏡頭建立了視頻庫。現在，McDuff的機器學習算法能夠更加準確地評估人的情緒。

“過去，可用的數據量不可能用來訓練這些模型，”他說。但現在，該公司的研究小組有一個“豐富的信息來源”，這大大提高了其分析模型的準確性。

雖然很多深度學習項目仍處于研究階段，但應用該技術解決傳統商業問題的案例越來越多。基于深度學習軟件已經逐漸滲透到日常生活中。

例如，現在許多人很愿意在手機上和虛擬的私人助理交談；醫生在病人護理中使用計算機輔助決策系統；自駕汽車可選擇的道路越來越多。很快，各種類型的企業客戶期待同樣無縫的用戶體驗。

企業可以充分利用深度學習工具。例如，以更自然的方式實現自動化客戶的互動是最典型的技術應用。但分析團隊需要做更多的功課，真正了解企業應該如何使用深度學習工具。

世界在改變，技術在進步，人們需要更了解這項技術背后的故事，而不是盲目地逃避和恐懼。