内容
问：
机器学习如何从明显的低效率工作，以引入新的业务效率？
A：
机器学习系统的最大潜在应用之一是挖掘业务流程和运营的重要效率。随着机器学习的发展，该领域仍在蓬勃发展，并且供应商为公司提供了更强大的工具来评估业务场景。
通常，机器学习可以通过检查更大范围的可能性和选择来提高效率，其中某些选择在表面上似乎效率很低。一个很好的例子是称为模拟退火的过程，该过程涉及一些算法，这些算法以与工程师在锻造后冷却金属相同的方式产生结果。从某种意义上说，系统会获取数据并检查这些无效的路径或结果，以发现如果以任何方式进行组合，更改或操纵，它们是否实际上可以产生更有效的结果。模拟退火只是数据科学家创建复杂模型的许多方法之一，这些模型可以消除更深层次的有效选择。
考虑这种机器学习能力的一种方法是查看近年来GPS导航系统的发展情况。早期的GPS导航系统可以基于非常基础的数据为用户提供许多最有效的路径，或者更确切地说，现在对我们而言似乎非常基础的数据。用户可以找到使用高速公路的最快路线，没有通行费的最快路线等。但是，正如驾驶员所了解的那样，GPS并不是最有效的，因为它不了解道路施工，事故等问题。对于全新的GPS系统，这些结果被内置到机器中，GPS再次提供了更有效的答案，因为该算法正在考虑的路径对于更基本的系统而言似乎效率不高。通过学习，机器可以发现效率。它将这些呈现给用户，从而提供了更加优化的服务。那就是机器学习将为企业做的事情的类型–它会通过发现最佳且有效的隐藏路径来释放效率，即使它们需要一些分析复杂性。这些旨在提供最佳结果的系统，不仅仅用于数字商务智能挖掘。例如，GE的一份报告显示了使用机器学习系统如何显着改善为社区供电的燃煤电厂的运营。