機器學習的狂熱，以及對基礎設施、資料儲存和雲應用的重大改進，都導致人們對其興趣的有增無減。谷歌和臉書已經做了許多面向消費者的改進，其他公司也在努力。

那麼，什麼是機器學習和人工智慧呢？

人工智慧（AI）是一款做人類可以做的事情的軟體，但是我們希望它速度更快，效能更好。例如，在會議中做記錄，並能突出所有後續的任務。機器學習是一種使用演算法而非傳統的基於規則的決策樹來實現AI的方法。在更高級別上，機器學習有三個步驟：感知，推理和生產。

目前，機器學習已經越來越流行，並在過去五年已經具有了更好的可行性。

而機器學習領域取得的幾個重大進步，已經推動了技術、應用的巨大飛躍，並改進了技術的整體可訪問性，比如雲計算和大資料。

具體來講，有四個主要因素導致目前企業廣泛在其產品中應用機器學習技術。

而機器學習的現狀，及其未來對產品和服務的影響的潛力可以通過三種具體方式來看待：

1：機器學習不是一體的

機器學習可分為不同的型別（如有監督和無監督），同時包括各種技術（如迴歸、神經網路等）。這些技術和型別不是一一對映的關係，而是要根據具體情況以不同的組合使用。下面是我的總結。

學習型別：

 監督學習：監督學習要根據已給的預定特徵和已標記資料來生成模式（如傳統保險承保）；

  非監督學習：非監督學習尤其適用於未標記和非結構化的資料（如Gmail垃圾郵件）；

  半監督學習：是監督學習和非監督學習的混合體。通常情況下，會有一些標記資料，但不會很多（如客戶細分）；

  強化學習：強化學習在訓練時為演算法提供反饋，是基於經驗的決策機制（如下棋）。

2：深度學習雖然有顯著的優勢，但也有很大的缺點

深度學習是基於人腦結構的演算法，往往是一個多層的神經網路，這使得網路很“深”。我們經常在無監督學習和強化學習中聽到深度學習的讚美，但在大型複雜問題下，監督學習對深度學習也可能是有價值的。

相對於其他技術，深度學習有三個關鍵優勢，即魯棒性、通用性和可擴充套件性。

• 它是魯棒的，因為用於對資料進行分類的特徵不需要預先取定，可針對給定任務學習最佳特徵；

• 它是通用的，因為同一神經網路可用於不同的應用和資料型別；

• 它是可擴充套件的，因為1）該方法可並行化，即能在多個處理器下同時執行； 2）隨著資料量的增加，效能能得到改進，降低了過擬合的可能性。

尤其的，這對三個領域有重要的影響：自然語言處理，計算機視覺和機器人。

同時，我們也應該瞭解其缺點。其中最大的問題是其可解釋性差，當神經網路確定了某些特徵，並根據這些特徵做決策時，我們無法獲知其原因。這就意味著，如果系統中存在資料損壞或人為偏差，我們將無法確定其存在，對於會對社會產生重大影響的案例（如財務和執法）將是危險的。

此外，深度學習模型需要極大量的資料和超強的計算能力才能實現，這是昂貴和耗時的。這是一個需要慎重考慮的權衡，特別是對那些正打算開發產品的年輕初創公司們。

因此，深度學習並不總是最好的方法。對於每個具體的用例，資料科學家需要考慮偏差，計算資源可用性和資料獲取等因素。

3：機器學習將對產品的未來產生重大影響

機器學習本身不是一個解決方案，而是一個優化期望結果的工具。因此，利用機器學習的公司應該專注於使用者體驗，並從處理資料幫客戶分析，到專注於戰略和建議，使決策更有效和準確。未來，很可能使用者介面將簡化為推薦單一動作，而非提供大量的選項。下面兩個例子說明了這種轉變的雛形。

Facebook的照片標記引擎已優化為推薦標記（左），相對於以前的版本（右）更聰明，使用更簡單。

同樣，Google現在可記住使用者停車的位置（左），並根據航班時間、目前位置和路況推薦出發時間（右）。這種基於推薦的、簡化的使用者體驗將是產品使用者介面的未來。

這些例子說明了機器學習將產生的巨大影響，因為它繼續使更有效和更簡單使用的產品。