编译：刘小芹、胡祥杰

　　：COO、执行总编、主编、高级编译、主笔、运营总监、客户经理、咨询总监、行政助理等 9 大岗位全面开放。

　　简历投递：j[email protected]

　　HR 微信：13552313024

　　新智元为COO和执行总编提供最高超百万的年薪激励；为骨干员工提供最完整的培训体系、高于业界平均水平的工资和奖金。

　　加盟新智元，与人工智能业界领袖携手改变世界。

　　【新智元导读】以机器学习尤其是深度学习为代表的人工智能技术已经进入产业阶段，IDC 26日发布报告预测，到2020年全球 AI 和认知系统的采用为企业带来的收入将超过 470 亿美元。有分析认为，AI 将像当年的互联网一样催生新的经济。开源虽有助于普及 AI 技术，但深度学习人才将成为智能时代的关键。

　　Machine-Learning-as-a-Service

　　（文／Thomas W. Dinsmore，独立咨询师和作家，擅长行业分析，拥有 IBM、微软等公司经历，曾在国际顶尖资讯公司 BCG 担任 Knowledge Expert）对于一个吸引了如此大的注意力的话题来说， 要找到一个精准的、让所有人都满意的机器学习定义是非常难的。更复杂的事情在于，大多数的机器学习，至少从产业的视角来看，看起来很像既有的分析和智能商务工具。

　　我们把机器学习定义为一种软件，它能从数据中提取高价值的知识，只需要很少的人类监督，有时候甚至不需要。学术界真正在研究机器学习的学者可能会反对把机器学习的定义局限在软件。但是，在工业界，机器学习就是软件。另外，如果我们把机器学习看成是一种软件，我们就能像评估其他的企业级软件一样对它进行衡量：许可执照、适用性、条款和安全等等。 初看，商业智能（BI）工具似乎已经满足我们对机器学习的定义，但是，定义中的关键词其实是：只需要很少的人类监督，有时候甚至不需要。

　　使用BI工具的操作者只需要10个双向交叉表来分析5个复杂变量之间的关系。如果变量增加到100个，相同的操作者需要4950个表格；如果变量为1000，需要的表格可能要上百万。机器学习软件能在极其短暂的时间内，找到大量的模型，并且在不需要人类分析师的介入下确定模型。

　　把机器学习当成价值链上的一个生产环节，这一比喻是有用的。机器学习“工厂”接收低价值的数据，产出高价值的知识，其形式可以是一个数学公式、一系列规则或者编程代码。机器学习产出的输出，也许是其他机器可以读懂的，或者是人类可以理解的东西，又或者是人和机器都能读懂的。总体上看，机器学习会以以下方式工作：

一个学习框架，为现实问题建模定义规则，其中包括一个或多个性能量化方式；

一个优化过程，会搜索一系列参数或者规则，我们把这一过程叫模型，能在已有的训练数据中提供最佳的表现；

依赖于部署，算法可能会自动地用新数据定义模型，不然就是人类用户来完成这一任务；

模型现在可以用于推理，可以在相同的软件中应用，也可扩展到其他的应用。

　　大多数机器学习框架可分为以下三类：

监督式学习，其目标是精确地为数据集中众多变量中的一个变量的值建模。这种方法在预测问题上非常有用；

特征学习，或者无监督学习，其目标是为数据中多变量的特征进行建模。比如，在聚类任务中，其目标是把相同的例子聚到一组，所以需要被优化的性能参数可能是一个在不同聚类之间的距离数字；

增强学习框架通过不断地与环境进行交互学习，正如在机器人或者自动驾驶中那样。在最佳学习方式是交互时，增强学习特别适合。

　　其中，深度学习是一种机器学习方法，在多层次的网络中对高水平的模型进行建模。微软和谷歌等公司使用深度学习来解决语音识别、图像识别、3D 对象识别和自然语言处理等问题。

　　机器学习产业应用四大优势及局限

　　关于机器学习，atv，最近大多数的消息都是关于新兴技术，比如自动驾驶、语音识别。这些创新很令人激动，但它们依然处于商业化的早期。今天，在产业界有其他许多普通的应用，机器学习也能产生价值。以下是几个例子：

(责任编辑：本港台直播)