人工智能技術，已成為當下最火熱的技術之一。無論是大數據還是云計算還是互聯網，這些新型的技術都在用盡全身力氣，助力人工智能的發展。對于企業而言，無論該企業與科技沾不沾邊，只要涉及到數字化業務，也都想蹭一蹭人工智能的光，就更別提技術型企業，對人工智能技術的癡狂了。

目前，人工智能技術還處在咿呀學語的嬰兒時期，在市場中發展相對成熟的人工智能技術有兩種，語音識別、圖像識別。提到人工智能的語音識別或是圖像識別，就不得不提機器學習。但是機器學習的發展并不是蹭熱點那么簡單，它的道路上布滿荊棘，很多企業的機器學習項目發展緩慢，甚至以失敗告終。

機器學習是人工智能的核心技術，其應用已遍及人工智能的各個領域，而在人工智能不斷發展的同時，以機器學習為中心，逐漸萌生了強化學習，以及以人工神經網絡為概念的深度學習。而深度學習的運用，也已成為目前人工智能發展的主流趨勢。但是在今年上半年，無人駕駛汽車事故頻發，導致人工智能的“職業生涯”碰到了第一個檻兒，甚至在世界范圍內也傳出了，深度學習凜冬將至之聲，甚至機器學習也遭受牽連。

陷入誤區，走火入魔

機器學習聽上去似乎高大上，非得要鉆研很久才能有所建樹，但其實，絕大多數人都混淆了機器學習研究和機器學習應用的概念。當人們說“機器學習”時，聽起來好像只是一門學科。但其實不然，你還得考慮它在研究和應用兩個方面的差別。如果企業無法辨別其中的奧秘，那么很容易修煉“神功”走火入魔。

在機器學習方面，企業所犯的最大的錯誤就是它本應該干什么，而你卻讓它干別的。比如它本是個廚子，你卻讓它砌墻。而真正能蓋房的，你卻讓它下廚房。如果你有個烤鴨店，烤爐是必要的工具，但是你肯定不會從全聚德挖來的大廚去造烤爐，同理為什么你只關注機器學習中的機器呢？你是烤鴨店，開始賣烤爐的呢？

在機器學習的研究方面，所有機器學習課程和教科書都是關于如何造烤爐，還有其他種類的工具，而不是告訴你如何烹飪和創新美食。如果當你真的建立起了機器學習算法，而你只關注人可以使用那些工具的機器學習研究方面，而不是真正的應用層面，很多企業就將誤入歧途最終走火入魔。

從事研究工作需要大量的時間來學習，但是如今，市面上有一些相當先進的設備，如果不知道這些設備的工作原理，那么怎樣造好設備？而在應用方面，大多數企業則需要更多創新的美食，來解決自身的商業問題，而不是把重點放到怎樣制造工具或設備上。但是由于市場對研究工作極其重視，所以導致企業誤把工具當應用進行生產，所以就出現企業真正該操心的地方卻沒受到重視。

對于大多數應用程序，企業不需要了解原理，正如廚師不需要了解烤爐的圖紙一樣。但如果你打算經營一個具有產業規模的廚房，那你確實需要知道很多事情，從管理原料到在上菜前，則需要檢查你的菜是否真的好吃，而不是你的工具是否造的漂亮。企業銷售什么，決定雇傭什么樣的團隊。

讓正確的人，干正確的事

但不幸的是，很多企業未能從機器學習中獲得價值，因為它們沒有意識到應用方面與研究方面截然不同。領導者雇傭的是那些一輩子都在做廚具爐但卻從來沒有下過廚房的人。如果要找工具和算法的混合型人才，那只能坐等著人才短缺了，畢竟人無完人。只有在正確的時間里，讓正確的人，做正確的事，才能保證項目的良好發展。

如果你在銷售尖端設備，請雇傭研究人員。如果你在琢磨新食譜，請找廚師。決策者和產品經理設定目標，領域專家了解供應商和客戶，數據工程師和分析師處理數據，統計人員檢查配方的質量和服務，項目經理保證團隊的凝聚和項目的落地。雖然上述人士不必是單獨的個體，但要確保每個角色都包含在團隊中。

如果團隊已經嘗試了所有現有的工具，卻沒法制定出滿足你業務目標，那么你還得考慮繼續增加人手。你是直接雇傭專業人士，還是把工作外包給有經驗的算法研究公司，這取決于企業的經營規模和成熟度。

在智能決策方面，很多業內人士都在構建算法，而不是應用算法。如果研究機器學習是制造，而應用機器學習是使用，那么智能決策工程就是安全地使用其他工具來實現企業的目標。

當涉及到應用機器學習時，最困難的部分是知道你想做什么，以及你打算如何在提供給客戶之前檢查它。這部分其實并不難，但不能被忽視。至于其他方面，用機器學習解決業務問題比大多數人想象的要容易得多。只需要企業知道自己做的是工具還是應用即可。