企業(yè)不斷犯這三個錯誤：浪費資金，降低應用程序性能，還有成效不佳。

我非常喜歡基于云的機器學習和深度學習，以及一般意義上的人工智能。畢竟，如果你無法想象這樣的場景——與能回答問題且執(zhí)行命令的具有人工智能的實體展開對話，你就不能成為一名極客!

話雖這么說，我也發(fā)現，基于云的機器學習和深度學習一再被誤用。這多半都可以輕松解決，當然，基于云的機器學已得到了廣泛的使用。但你要用得巧妙，用得恰當。

以下是我看到的三個反復出現的錯誤。

[[236065]]

1. 沒有足夠的數據來為知識模型提供訓練

沒有經歷過任何學習的機器學習是毫無價值的。機器學習的真實用例是將算法應用于大量的數據，并且使某些模式顯現出來，這些模式成了用于基于機器學習的應用程序的培訓。

所以，沒有數據就談不上學習。雖然機器學習應用程序最終會收集數據并變得更加智能，但它需要一個出發(fā)點，在這個出發(fā)點，數據多得足以教會系統(tǒng)如何思考。

例如，有一些機器學習系統(tǒng)運行在醫(yī)院中，這些系統(tǒng)用魔法般的手段向員工透露你住院期間死亡的可能性。如果連100,000個數據點都沒有，你可以指望該可能性為0或100%——這毫無幫助。

2. 在不需要機器學習的地方使用機器學習

這是我見過的最常見的失敗事項——因在應用程序中使用機器學習而導致公司在開發(fā)成本上增加兩倍或三倍——完全平白無故地。機器學習系統(tǒng)在很多用例中根本沒有發(fā)揮真正的優(yōu)勢。

程序邏輯在大多數情況下都管用，因此為會計系統(tǒng)或調度系統(tǒng)構建知識庫就太過分了。更糟糕的是，由此產生的應用程序效率要低得多。

3. 不了解性能影響

在應用程序中嵌入機器學習系統(tǒng)有時可以使它們對業(yè)務更有價值。但這也可能會使應用程序的性能大打折扣。

試想一下：嵌入式機器學習服務在跨數據運行算法時可能會有幾秒的延遲。如果該應用程序要近乎實時地提供響應，由于延遲響應導致的生產力損失，機器學習的一切價值都會迅速地消失。