由于庞大的用户回复数据集已经与算法解耦，甚至毫不相关，该公司的历史数据用处也就非常有限。你可以将此与防欺诈公司进行对比。可以用一套算法来测试历史客户活动数据集，以便了解算法的精确度是否有所提升。

　　价值实现

　　有吸引力的公司具备创造价值的潜力。但价值能否实现呢？根据我们的经验，有5项因素对机器学习引导的公司十分重要。第一项（管理层团队的商业能力）与人才有关。后面三项目（可以量化的投资回报率、买家预备状态和良性监管）与商业系统接受程度有关。最后一项（部署的可扩展性）则与市场进入战略有关。

　　1. 管理团队的商业能力

　　很多机器学习公司的创始人都拥有一流的技术实力。但商业嗅觉在企业的长期成功中发挥着重要作用，重要性甚至超过技术实力。多数B2B软件公司迟早都要组建直销团队——只有创始人主动去寻找业务，才能真正扩大规模。

　　拥有商业头脑的创始人愿意做大企业，也愿意拥抱市场，同时也具备组建强大销售团队的能力。投资者可以提供更帮助——我的同事Jon Coker和Simon Menashy在帮助创始人组建和扩大SaaS销售团队方面拥有不俗的经验——但如果创始人的商业化动力有限，他们也无能为力。

　　2. 可量化的投资回报率

　　如果一个方案拥有可以量化的投资回报率，往往就更容易在B2B市场上被人接受，销售周期也会缩短，客户教育成本也会降低。在销售和营销职能中，销售转化率的提升可以轻易评估。在金融领域，交易利润的增加也很明确。在英国，多数创业者都把自己的目标瞄向了可以演示投资回报率的领域：

　　服务于营销和广告职能的机器学习创业公司多于其他领域——约占英国总数的20%；

　　创业活动最为集中的是金融领域（在早期机器学习公司中约占8%）。

　　3. 买家预备状态

　　买家预备状态通常可以以漏斗的形式来评估：认识、了解、喜好、确信、购买。对机器学习公司来说：

　　我们把“准备就绪”作为漏斗中的一个阶段加入其中。准备就绪评估的是买家是否拥有训练和部署算法所需的合适的、可以获取的数据集，以及是否获得了组织的支持，开奖，以便用人工智能引导的解决方案加强或颠覆现有的工作流程。

　　在“喜爱”阶段中，我们考虑的是信任和控制问题。信任是相信解决方案在人类只进行有限干涉的情况下的表现。接受度的标准多种多样；乘坐无人驾驶汽车旅行，以及用机器学习诊断疾病，都需要极高的信任。控制描述的是，即便在系统信任很高的情况下，人类介入某个系统或流程的意愿。价值释放、采纳和可扩展性可能局限于特定环境，这些环境都需要让人类保持较高的控制。

　　4. 良性监管

　　机器学习往往具有“黑箱”特性。Nuance的Nils Lenke说：“内部机制并不非常明确——你让神经网络自我组织，它真的会自己组织自己：它未必会告诉你具体过程。”

　　因此，我们会考虑一家机器学习提供商是否在透明度上面临监管挑战。是否需要理解或解释一套机器学习解决方案提供的预测或决策？

　　在英国，达成抵押合同需要受到《金融服务和市场法案》（Financial Services and Markets Act）的监管。《企业抵押贷款行为规则手册》（The Mortgage Conduct of Business Rulebook）第11.6.2条声明，除非能够证明客户能够担负起合同，否则不能达成交易。倘若贷方采用“黑箱”深度学习算法来判断用户的担负力，能否将其应用于实践？

　　监管风险会被夸大。媒体广泛报道了欧盟新制定的《一般性数据保护规定》（General Data Protection Regulation），这项规定将在2018年成为整个欧盟的法律。它创造了“解释权”，也就是用户可以要求相关企业就算法针对他们做出的决策给予解释。

　　实际情况没有那么明确——实际上更有可能意味着的“通知权”，也就是说，企业只会阐述算法决策的一般流程及其使用的数据集。然而，决策方向的确更加重视透明度和潜在的偏见。美国白宫科技政策办公室2016年发布了《人工智能的未来筹备报告》，该报告总结道，“研究人员必须学习如何设计这些系统，以便它们的行动和决策对人类透明，并且可以轻易被人类解释。”

　　在销售、营销和商业情报等特定的B2B职能中，可解释性可能算不上是一项挑战。但在其他领域——包括人力资源、合规性和欺诈——却有可能颇具挑战，这主要是从法律和务实角度来考虑。