常见机器学习神话究竟从何而来？

不再需要人工参与或培训'，而您正在等什么呢?”

ABI首席分析师 Lian Jye Su表示，根据他的经验，大多数高管围绕机器学习的基本知识和“垃圾进，垃圾出”的原则有一些想法，但是他们中的大多数人都认为机器学习模型是黑匣子，而机器学习需要大量数据。

“我认为这主要是由于卷积神经网络的普遍存在，它需要大量数据，并且在更多数量的卷积层上可以更好地工作，而且我相信，一旦其他机器学习算法变得越来越流行，这种看法就会慢慢消失，Lian Jye Su说。

一个问题是教育。决策者究竟应该在哪里学习有关机器学习的真相?尽管Forrester的Carlsson认为两者之间的交集不见了，但从业人员和企业级别的选择仍然很多。

“我认为我们需要做最多工作和最大帮助的地方是帮助业务方面的人们充分了解该技术，从而知道这实际上有什么用?我可以将其应用于哪些类型的问题?” 卡尔森说。

以下是导致常见误解的一些因素。

术语不是很容易理解

问题的一部分是术语本身。人们有时将人工智能解释为像人一样思考的机器，而将机器学习解释为像人一样学习的机器。

ABI Research的Su说：“数据科学家并不是最擅长的术语。” “我认为我们应该部分归咎于分析师，因为我们经常用大胆的话来介绍新技术。”

不切实际的期望

人们普遍误以为AI是一门强大的东西，这导致人们相信AI可以做任何事情。替代地，当不同的技术适合于不同类型的用例时，有时将深度学习解释为比其他形式的机器学习“更好”。

Forrester的Carlsson说，仅仅从您想要的东西开始，例如用虚拟座席替换呼叫中心中的每个人，并不是很有帮助。他们以增强的方式建立起来，以帮助呼叫中心中的某人。

ABI Research的Su表示，不切实际的期望是炒作接管理性思考的一种情况。根据他的经验，高管们对期望不可能或不可能实现的想法越来越少。

无法理解机器学习的概率性质

传统上，软件是确定性地构建的，这意味着给定的输入应导致给定的输出。基于规则的AI也是如此。另一方面，机器学习有一定的误差。

（编辑：四平站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!