内容
资料来源：agsandrew / iStockphoto
带走：
机器学习即将渗透到技术世界。但是，在我们评估它是否会导致数字天堂或技术暴政之前，我们必须了解它可以做什么而不能做什么。
机器学习（ML）对于您的企业而言将是福音，也将是祸根，具体取决于您与谁交谈。一方面，它将为数字流程带来广泛的新功能-从自动化工作流程到自我管理基础架构的一切。另一方面，它会取代工作，使组织无能为力，无法解决问题。
真相可能介于这两种极端之间，但是要真正掌握ML可以做什么和不能做什么，必须消除围绕该技术长大的一些神话。 （有这么多内容，为什么每个人都不使用ML？请参阅4个阻碍机器学习的障碍。）
误解1：机器学习和人工智能是一回事。
虽然它们都使用相同的基本技术是正确的，但AI是一个涵盖广泛学科的总称。根据教育生态系统首席执行官Michael J. Garbade博士的说法，人工智能不仅包括机器学习，还包括神经网络，自然语言处理，语音识别和许多其他新兴技术。 ML的独特之处在于能够根据经验，环境变化或引入新目标来更改自己的代码-这本质上是机器学习的“学习”方面。
他说：“机器学习的目的是使机器能够使用提供的数据自行学习并做出准确的预测。” “这是一种训练算法的方法，使他们可以学习如何制定决策。”
因此，机器学习是数据系统变得智能的方式。但是由于学习是一个过程，因此知识工作者将不得不适应这样的想法，即未来的技术将不会立即提供完整的功能，而是会随着时间的流逝而朝着不断优化的性能发展。
误区二：机器学习无法控制。
这种“学习”的能力自然引起了人们对基于ML的系统开始做出决策并采取超出用户意图的行动的担忧。但是关于杀手级机器人运行横冲直撞或计算机霸主消灭讨厌的人类的故事，比现实更像是科幻小说。已知发生的事情是，ML所暴露的数据中的偏差可能导致它做出错误的决策，正如Microsoft聊天机器人Tay的案例所证明的那样，它导致了种族主义观点的爆发。
但是，正如IV.AI首席执行官文斯·林奇（Vince Lynch）最近在Tech Crunch上指出的那样，这并非缺乏控制，而是未能实施适当的控制。通过选择正确的学习模型和数据集，然后对系统进行严格的监督，组织应该能够安全地部署机器学习，而不会造成灾难性的后果。实际上，正确实施的ML算法可以提醒用户注意大多数数据集中存在的固有偏差，从而导致关键商业和工业运营的框架更加合理。
误区三：机器学习将破坏工作。
麻省理工学院斯隆管理学院的汤姆·里里汉（Tom Relihan）说，虽然可能会丢掉一些工作，但说ML将重新设计工作而不是代替工作，是更准确的说法。对于大多数人来说，ML将接管那些使工作变得乏味的平凡而无聊的任务，而不是实际的工作本身。狭窄的人工智能（旨在满足高度针对性的功能）与通用的AI（可以在很大程度上类似于人类的功能）之间存在一个关键区别。狭窄的AI已经成为我们现在所拥有的，而通用的AI甚至几十年都还没有准备好。因此，无论ML在某些方面做得更好，它都无法完全取代人类，实际上将使我们更有生产力。
没有错误，没有压力-在不破坏生活的情况下创建可改变生活的软件的分步指南
当没有人关心软件质量时，您就无法提高编程技能。
显然，这将对某些职业的影响大于对其他职业的影响，并且不一定是自动化程度较低的工作。例如，放射科医生可能会看到一些关键功能，例如阅读让位给ML的医学图像，但按摩师可能会在一段时间内继续动手工作。 （有关通过AI改变工作的更多信息，请参见AI时代的新工作。）
误解四：机器学习实际上是学习。
请记住，正如Garbade博士指出的那样，机器学习只是算法。实际的人类学习要神秘得多，以至于即使是世界领先的神经科学家也无法完全解释它。正如布鲁金斯学会（Brookings Institute）的克里斯·梅瑟罗（Chris Meserole）所指出的那样，人类学习需要经验和测量概率的能力，而不是纯粹的逻辑和推理，并且计算机非常擅长计算概率，因此从这种意义上讲，机器可以“学习”说话，阅读和识别面对的方式与我们大致相同。
但是，关键的区别在于，算法永远不会从简单的数据分析和预测跃升为对所有含义的完全认识。从它的角度来看，这仅仅是数字。因此，机器学习系统可以扫描例如猫的图像，将图像转换为代表颜色，阴影等表示图像每个点的数字序列，然后将该序列与所有其他已知序列进行比较，从而得出得出关于它是猫还是狗还是犀牛的可能性。同时，一个三岁的女孩可能在一生中只见过一只猫，她可以花一秒钟的时间看一下粗线图，而经过很少的计算和几乎为零的能量消耗，可以肯定地告诉您一只猫。
这就是为什么在最后的分析中，我们可以得出结论，从首席执行官到入门级工作人员，ML将为企业带来福音。它永远不会取代人工，但会使其变得更丰富，更有意义。
