使机器学习变得可访问: 企业家今天可以应用的3种方式

机器学习对企业来说并不是什么新鲜事，但是技术的进步和加速的投资使普通企业家可以使用它。

实际上，根据Forrester最近的一项调查，与去年相比，今年机器学习投资300% 增加。机器学习已经在自动驾驶汽车，个性化内容推荐甚至面部识别过滤器等领域崭露头角。

显然，机器学习可以做的不仅仅是建议内容和驾驶汽车。事实上，其中一个被称为 “深度学习” 的类别有望彻底改变我们营销、生产和销售产品的方式。

与传统模型需要特定的规则和特征集来从数据中提取意义不同，深度学习模型会自主地从非结构化数据中得出结论并创建自己的分类规则。

最后一句话 -- 非结构化数据 -- 比看起来更重要。与结构化数据 (例如有组织的图表和表格) 相比，非结构化数据包括 “日常” 数据，例如图片和声音，这对于计算机而言要困难得多。对于人工智能来说，解决非结构化信息是一个很大的突破。

深挖深度学习

如果您正在努力了解深度学习的创新性，那么您并不孤单。要理解它，想象一下同时教婴儿和计算机识别照片中的猫。

使用传统的机器学习，必须告诉计算机要在图像中寻找哪些猫的特征-胡须，爪子和尾巴。然后，这些手工设计的模型根据这些特征进行预测。如果图像不遵循规则，则机器将无法适应。例如，如果猫的尾巴不在框架内，计算机甚至可能不知道它是猫。

另一方面，婴儿不需要这样的指导。查看足够的图像后，婴儿将建立一个心理框架来区分什么是猫或不是猫。像婴儿一样，深度学习无需指导即可进行非结构化输入，并自行确定，同时考虑所有像素值，其中图像中包含一只猫。如果有足够的时间和数据，深度学习模型几乎可以理解任何非结构化数据集。

那么，这样一个令人难以置信的工具是如何在企业家的雷达下飞行的？嗯，深度学习在过去的十年里才在商业上变得可行。在20世纪50年代人工智能出现后不久，早期的神经网络可以一次模拟几个神经元。尽管深度学习在70年代和80年代得到了数次复兴，但直到21世纪00年代中期，我们才拥有使其正常工作的数据或处理能力。

现在，由于每天产生的2.5亿字节 (其中大部分可通过Google和YouTube公开获得) 以及云计算技术的大规模改进，深度学习不仅是可行的，而且是不可避免的，而且是有利可图的。

工作中的深度学习

随着技术的进步，我们肯定会看到更多的深度学习应用程序涌现出来，但是今天的企业家可以通过三种方式利用它:

1.寻找并接触新客户。不管他们有多需要，人们都买不到他们不知道的产品。例如，一家人寿保险公司如果向学生而不是老年人推销产品，可能不会有很多销售。

但是，深度学习可以帮助企业家瞄准正确的市场。Facebook，Google和Twitter都使用深度学习的广告平台，企业使用这些平台从种子受众中推算出有价值的，相关的相似受众。事实上，在过去两年里，B2B在社交媒体广告上的支出增长了130%。

当然，找到市场只是第一步; 下一步实际上是达到市场。同样，深度学习会有所帮助。像Octane AI这样的公司使用它来为他们的聊天机器人提供动力，而聊天机器人已经远离了像Microsoft Word的Clippy这样令人讨厌的助手。如今，他们可以自主地增加受众，并以个性化的体验吸引客户。

2.整理数据，填补空白。数据缺失是大多数企业面临的主要问题。Openprise最近的一项研究发现，41% 接受调查的B2B营销人员认为缺少联系人是他们数据的最大缺点。另一个39% 认为缺少字段值是最大的问题。

幸运的是，随着数据的馈送，深度学习模型对捕获的内容和明显缺失的内容变得更加智能。然后，在识别出丢失的数据之后，深度学习者可以对其进行跟踪。

由我的前同事创立的初创公司Node已经在大规模地进行这项工作。它采用四管齐下的方法，包括数据抓取，自然语言处理，机器学习和人工智能，以帮助企业领导者优化潜在客户数据并更有效地销售。

3.进行质量分析和控制。高通公司的一位朋友最近向我描述了检查他们生产的每个芯片是否存在缺陷的乏味。我提醒她，对于深度学习来说，这是一个完美的问题。从制造到建筑到消费电子产品的一切都可以从自动化的产品缺陷分析中受益。

例如，在Skycatch，我们已经建立了一个深度学习模型，该模型可以指导无人机检查诸如蜂窝塔之类的结构。当它发现一个缺陷时，它会提示人类检查员。然后重新采集数据，不断改进深度神经网络。借助深度学习，我们可以自动识别作业现场的更改，跟踪重型设备并记录现场每个工人和机器的生产率。

培训这样的模型确实需要大量的数据和处理能力，但是企业家可以开始使用Google的Cloud TpU Alpha计划。简而言之，张量处理单元是专为机器学习应用而设计的高性能云计算机。

机器学习之所以如此令人兴奋，如果还不清楚的话，是因为它是一项基础技术。就像计算机和内燃机一样，机器学习可以应用于各种各样的问题领域。

但这是一把双刃剑。随着机器学习的成熟，它将在越来越多的环境中应用-有些有效，有些无效。只有通过今天学习基础知识并看到过去的炒作，企业家才能使机器学习他们的下一个收入机器。