机器学习取得显著进展

虽然机器学习的基本概念由来已久，但如今正变得炙手可热。在斯坦福大学，机器学习是*受欢迎的研究生课程，报读该课程的学生多达760人。此外，全球**的信息技术研究和顾问公司Gartner的研究显示，**分析（涵盖机器学习）是业务分析软件市场内增速*快的细分领域。

**机器学习算法由多种用于无监督与监督式学习的技术构成（如：深度学习、神经网络和自然语言处理等），并基于当前信息而运行。**机器学习已经从此前提供基于算法的解决方案，向更具洞察力、自我引导与自主化转变。它与万物信息化（information-of-everything）技术联系密切，例如：数学优化、文本挖掘、统计分析、搜索引擎和动态本体论。

数据大爆炸和信息复杂化使得人工分类与分析变得不再可行和成本高昂。机器学习可自动执行这些任务，并能够处理万物信息化所带来的主要挑战。

监督式学习是**机器学习在业界*普遍的应用，涵盖约95%的机器学习使用案例。监督式学习需要“培训数据”，它将通过描述机器学习系统在观察与执行结果之间的预期映射而“传授”机器学习模型。

这些映射可以用于预测数量（如：收入或需求预测），或划分或预测特定事件发生的概率（如：机器故障与客户购买或反复买卖）。

谷歌收购DeepMind凸显了**机器学习在监督式学习领域内的强大功能。DeepMind的阿尔法围棋利用信息自我学习中国围棋，然后采取自主行动。这一功能可让其发现自行完成任务的方法，例如：识别与响应面部表情、响应语言和翻译各种语言。

**机器学习支持全新数字现实

**机器学习技术的发展趋势为各企业机构提供了赢得未来成功的基本能力。以下各行业的业务情景反映了**机器学习的多种潜能：

· 推荐零售产品：机器学习可以从源自零售店凝视技术到智能手机传感器数据的网购历史和产品偏好中挖掘分散的数据集，从而创建购买倾向模型，预测客户*可能购买的产品类型。

· 保险动态定价：根据具体市场的状况，例如：盗窃频发、房屋经济泡沫、历史销售、自然灾害或者消费者的选择性数据共享，创建预测模型，动态调整保险费率。

· 酒店业在线风险化解：随着新业务生态系统纷纷涌现并重新定义各个行业（例如酒店业），这些生态系统及其社区的欺诈行为正造成日益增多的风险。诸如Airbnb等企业可利用机器学习构建风险模型，保护客户。

· 优化借贷：**机器学习解决方案可以反映出贷款申请人的详细信息（如：人口统计数据以及信用和偿还历史），从而预测该申请人的某笔贷款发生违约的概率。

· 零售银行欺诈侦测：可以创建算法，开展评估和为当前的实时交易建模，并根据受欺诈概率构建交易预测模型。

· 城市公用事业实时决策：例如，**机器学习可以根据风轮机、太阳能电池板与土壤致动器构建概率模型，动态调节水电，以降低维护成本，尽可能减少停机时间。

· 患者诊断：通过收集来自如下潜在来源的数据：当前生命体征、症状、家庭实验室测试或者来自演算医疗设备的历史生命体征，**机器学习可以向医生提供更准确的医疗状况分类，包括**或处理建议。

· 创造**工作条件：对于员工可能在危险环境下工作的企业机构而言，机器学习可以根据对空气质量、设备性能、员工生产力、甚至是非典型行为进行测量而得到的传感器数据探测预警信号，以便预测事故发生概率。

· 客户服务自动化：虚拟助理将主动接待来电寻求支持的客户，它通过认知能力倾听客户之声（语音识别），并进而映射到引导式培训集与知识库，德克萨斯州奥斯丁市和美国汽车保险公司（USAA）均采用了此功能。