神秘的机器学习：机器如何真正学习？

似乎每个人都在谈论人工智能和机器学习这些日子。但是机器学习不是一个新概念 - 实际上已经存在1950年代后期。那么为什么所有炒作呢？为什么企业现在觉得现在是时候采用了？在企业开始围绕机器学习和AI制定策略之前，重要的是要回顾机器的真正学习方式，以及如何影响您的AI和机器学习策略。

首先，关于AI和机器学习之间的差异，甚至一词分析都变得非常模糊。从商业角度来看，重要的不是技术定义，而是它带给您的价值。所有这些技术都由数据提供动力，而企业的目标仅仅是为了尽可能高效地做到从数据到洞察力到结果所需的一切。

数据，洞察力和结果之间存在明确联系的一个领域是维护领域。人们长期以来一直依靠常规维护来解决潜在的问题。直到最近，我们每5,000英里换一次石油。不是因为有失败的迹象，而是因为我们过于依赖常规。简而言之，我们没有数据告诉我们我们是否需要改变油。在这种情况下，这不是一个主要问题，因为更换油的价格相当便宜，但是想象一下您是否有数千台机器或极其昂贵的机器？当没有必要或使用静态维护程序管理数千台机器时，将一台昂贵的机器离线（例如飞机发动机）都有问题。阅读：根据日常工作进行维护更改时，您正在浪费钱。取而代之的是，企业需要开始使用数据以远离常规维护，从长远来看，这将有助于节省资金。

大量数据带来了巨大的机会，但很难充分利用。毕竟，您不仅需要更多数据来指导您的决定- 您可能已经淹死了。实际上，作为业务领导者，您可能面临的最大问题之一是如何利用您每天生成的数据。

也许你已经雇用数据科学家要构建模型，您需要理解这一切，但是它们只能处理洪水泛滥的一小部分数据。雇用更多的数据科学家不仅昂贵，而且缺乏足够的雇用可能是后勤的不可能。一个更好的解决方案是利用机器学习平台从团队处理您的数据的团队中减轻这一负担，从而使他们能够专注于决策，而该平台专注于大规模分析。

正如我们在上面介绍的那样，更多数据比以往任何时候都可以使用。除了不断生成机器数据的物联网传感器外，还有来自客户和用户的行为数据，以及ERP或CRM瘙痒中的业务交易数据。数据如此丰富，以至于可以得出的上下文见解水平是惊人的。

但是，人类在此级别上处理数据很难处理。普通人能够一次处理几个维度 - 但是当引入太多变量时，即使我们中最聪明的变量也无法处理所有这些。我们开始消除变量或概括，从而降低了分析的准确性。

另一方面，机器没有这种限制。计算机将所有内容都归结为二进制决策 - 是或否定状态，0s和1s-什么也没消除。然后可以是数学模型旨在模拟现实世界的行为，计算机可以针对模型运行全部数据输入，以产生尽可能准确的结果。

然后产生准确结果的关键在模型中。通常，模型的创造（以及批判性的频繁调整）是一项复杂的任务，需要一组受过训练的数据科学家团队的艰苦劳动。为了使模型保持最新状态，必须采用最新和最相关的数据，并且必须将新分析与过去的分析和结果进行比较，这使数据科学家得出一系列结论，使他们能够进一步提高准确性。这可能是一个困难且耗时的过程。

幸运的是，这全是数学，我们可以使用机器学习来自动化此过程的大部分 - 我知道这听起来很奇怪，但是我们基本上正在使用机器学习来自动化机器学习过程！为什么依靠数据科学家来进行跑步和破译的手动工作集算法提供最佳预测？计算机可以自动化模型的测试，而无需将测试限制为数据子集。并且计算机可以连续执行此操作，以应对操作或环境变化。虽然看起来好像是在学习机器，但它只是在提高模型的准确性，从而产生最准确的结果。这种方法使您可以使用数据科学家分析结果与花费所有时间进行例行工作的结果。或使普通业务用户（像我一样）能够理解预测，即使我们不了解数学。因此，尽管没有实际的“学习”，但魔术在数学上，现在可以为普通组织使用。

所有的物联网议程网络贡献者都负责其帖子的内容和准确性。意见是作家的，不一定会传达物联网议程的思想。