4月11日晚上7点到8点, IBM机器学习首席技术官Jean-Francois Puget ( JFP)博士，在知乎Live上开展了一场跟2190名知乎网友（也叫知友）的对话，分享了机器学习的相关趋势、IBM在机器学习的战略以及相关的研发投入，也用真实案例来说明了机器学习在商业领域的价值。

　　”

　　一个小时的分享和沟通实在是有些短暂，很多知友的问题没有来得及回答，所以JFP在分享之后，针对知友们提出的问题进行了回答。我们将他的回答进行了翻译和简单的整理，以飨读者。

　　Q

　　成熟的机器学习算法是否已应用于商业上？

　　是的。机器学习已用于多个领域。其中之一就是经常使用矩阵分解算法的产品推荐。目前，将机器学习投入商用的其他领域包括自然语言处理、图像识别、销售预测、预测性维护、客户流失预测。

　　Q

　　机器学习能做什么？有哪些产品？

　　只要有了明确的业务目标和支持此业务目标的数据，就可以做许多事。例如，如果业务目标是减少订货后的送货时间，则必须拥有足够的历史数据，以便了解影响送达时间的因素。

　　Q

　　如何实现机器学习？

　　从一个明确定义的、小范围的项目开始。然后使用开放源码来构建模型。随后使用像 IBM Machine Learning 这样的行业平台来管理模型的生命周期。

　　Q

　　目前投入商用的语音识别、自然语言处理、图像识别只不过是语音客户服务。基于搜索和深度学习推荐、识别等，是否还有任何其他应用方向？

　　客户服务很关键，但还有其他与机器学习相关的领域。例如，预测性维护是应用机器学习的一个好想法。该想法的理念是使用 物联网收集各种设备的信息并预测它们的健康状况，以便可以预防故障。另一个领域是医疗健康，机器学习能帮助诊断，并帮助选择最佳疗法。

　　Q

　　对于分类，有哪些经典用例？您有何想法或建议？何时需要考虑复杂模型？

　　异常检测是一种经典用例，在该用例中需要对正常和异常情况进行区分。这是一个二类或二元分类问题。这包括欺诈检测（正常与欺诈）、预测性维护（正常操作与故障）、医疗健康（正常与疾病）等。我建议从简单模型开始，比如逻辑回归，如果准确性不够高且有大量训练数据，那么可以寻找一些更复杂的模型，比如梯度提升决策树或深度学习。

　　Q

　　您是否认为机器学习现在存在着泡沫/炒作？

　　是的。我认为深度学习被吹嘘过度了，而且人们的期望有些不切实际。深度学习很好，而且它实现了计算机视觉和自然语言处理上的突破。但这需要大量的投资和数据。大多数公司都没有足够的数据来让深度学习发挥作用。此外，在许多更适合使用机器学习技术的领域，深度学习不是首选的技术。我希望深度学习的优势和局限性得到更好的一般性解释。

　　Q

　　为什么深度学习更偏向于学术，而不是行业？

　　这种情况正在快速改变。效力于 IBM、Facebook、Google 等公司的大部分高级团队都不是学术性质的。但是，深度学习仍停留在研究阶段，尚未达到工程设计阶段。一个原因是深度学习未得到深入理解。设计正确的网络架构仍是少数人掌握的艺术。

　　Q

　　您对迁移学习有何看法？

　　这是个不错的想法。迁移学习可以在训练复杂模型时节省大量时间。

　　Q

　　如果深度学习的性能优于任何其他算法，它是否可能取代其他经典的机器学习算法？

　　深度学习在声音和图像方面具有更好的性能，但在其他领域没有突出表现。由于深度学习仍未取得良好结果，开奖，或者由于没有足够的训练数据，其他经典机器学习算法在一段时间内仍有许多机器学习应用。

　　Q

　　无监督学习的行业应用方向有哪些？

　　我认为无监督学习不会被广泛用作一项独立技术。无监督学习通常被用作监督式学习的一个预处理步骤。例如，建立数据集群，然后使用集群 id 作为新特性，这有助于提升监督式机器学习算法的性能。

　　Q

　　如果企业打算使用机器学习，应该如何开始使用它？技术门槛高不高？哪些行业拥有这种机会？