人工智能和机器学习正在对多个行业产生重大影响，并改变着我们的社会面貌。这些不仅仅是热门趋势，而且会持续存在。
然而，机器学习并不是适用于每个用例的神奇解决方案。因此，公司往往在开始 AI 开发之旅时，并没有清楚了解它应该为其业务带来的价值。因此，许多数据科学和机器学习项目没有明确的 KPI，只是消耗了研发预算。
这就是为什么管理者必须问自己四个关键问题来证明机器学习开 丹麦whatsapp 数据 发的必要性。
1.你真的需要机器学习吗？
机器学习项目成本高昂，耗时长。此外，人工智能研发项目的估算通常相当模糊和不切实际。最重要的是，并非所有公司都需要机器学习。例如，我们在 本文中指出 ，仅凭可靠的数据工程就足以为众多行业的公司找到宝贵的商业见解。
人工智能工程师的数量也是一个巨大的挑战，因为人才的可用性是全球范围内的一个重要制约因素。机器学习仍然存在一定的局限性，目前它并不适合每个领域的每个业务案例。据TechCrunch报道，人们可以将所有机器学习用例分为两类：
分类模型用于将大型数据集分解为有意义的子集。例如图像识别和自然语言处理。
回归模型通过识别趋势来做出预测。用例是销售预测，它考虑了从宏观经济指标到天气预报再到政治威胁等数千个因素。
研究机构和科技公司在机器学习的某些领域取得了巨大进步，包括计算机视觉、语音识别和自然语言处理。不过，这项技术并不是灵丹妙药。截至 2018 年，你无法将机器学习应用于你可能想到的每个商业案例。
例如，一个能够识别一排相同瓶子中的特定瓶子的计算机视觉引擎可能会被证明成本过高。在继续开发之前，让一小队数据科学家调查用例是合乎逻辑的。
2.您需要什么类型的机器学习？
目前，机器学习主要有三种类型：监督学习、无监督学习和强化学习。让我们来看看每种类型的用例。
受监督
当前近 90% 的机器学习开发项目都涉及监督学习。
您有一个输入数据X和一个想要预测的目标变量Y。
例如，X可以是描述一个人的参数，如性别、年龄和个人喜好。查看这些输入数据，您想要预测Y ，即该人点击 Facebook 上的营销广告的可能性有多大。
如果您拥有大量客户信息和历史记录，可以显示过去哪些人点击了您的广告，那么这种技术非常有效。监督式机器学习模型会分析输入数据以找出规律，并预测哪些人口群体最有可能点击您的广告。