機(jī)器學(xué)習(xí)（ML）和物聯(lián)網(wǎng)（IoT）現(xiàn)在都非常流行。關(guān)于機(jī)器學(xué)習(xí)和物聯(lián)網(wǎng)有大量的關(guān)注和炒作，我們可能很難穿過(guò)噪音去了解它的實(shí)際價(jià)值。
數(shù)據(jù)分析vs．機(jī)器學(xué)習(xí)
關(guān)于機(jī)器學(xué)習(xí)的炒作越來(lái)越多，許多組織都會(huì)希望在他們的業(yè)務(wù)中多少使用一些機(jī)器學(xué)習(xí)?？墒墙^大多數(shù)時(shí)候都不能如此。
后面我將更深入地探討機(jī)器學(xué)習(xí)的價(jià)值，但首先我要說(shuō)，機(jī)器學(xué)習(xí)需要大量數(shù)據(jù)。這可能意味著改進(jìn)流程、降低成本、為客戶創(chuàng)造更好的體驗(yàn)，或者開(kāi)辟新的商業(yè)模式。
事實(shí)是，大多數(shù)組織可以從傳統(tǒng)的數(shù)據(jù)分析中獲得許多好處，而不需要更復(fù)雜的機(jī)器學(xué)習(xí)的方法。
傳統(tǒng)的數(shù)據(jù)分析在解釋數(shù)據(jù)這方面做得很棒。你可以依照過(guò)去發(fā)生的事件或今天發(fā)生的情況生成報(bào)告或模型，吸取有用的見(jiàn)解來(lái)應(yīng)用于組織之中。
數(shù)據(jù)分析可以幫助量化和跟蹤目標(biāo)，實(shí)現(xiàn)更智能的決策，然后隨著時(shí)間的推移提供衡量成功的手段。
那么機(jī)器學(xué)習(xí)在什么時(shí)候有價(jià)值？
典型的傳統(tǒng)數(shù)據(jù)分析的數(shù)據(jù)模型通常是靜態(tài)的，它在處理快速變化和非結(jié)構(gòu)化的數(shù)據(jù)方面的使用是有局限性的。當(dāng)涉及到物聯(lián)網(wǎng)時(shí)，通常需要確定幾十個(gè)傳感器輸入和迅速產(chǎn)生數(shù)百萬(wàn)個(gè)數(shù)據(jù)點(diǎn)的外部因素之間的相關(guān)性。
傳統(tǒng)的數(shù)據(jù)分析需要基于過(guò)去數(shù)據(jù)和專家意見(jiàn)的模型來(lái)建立變量之間的關(guān)系，而機(jī)器學(xué)習(xí)是從結(jié)果變量（例如節(jié)能）出發(fā)，然后自動(dòng)尋找預(yù)測(cè)變量及其相互作用。
一般來(lái)說(shuō)，當(dāng)你知道你想要什么，但卻并不知道做出該決策所需要的重要的輸入變量的時(shí)候，機(jī)器學(xué)習(xí)是有價(jià)值的。所以你給了機(jī)器學(xué)習(xí)算法一個(gè)目標(biāo)，然后它會(huì)從數(shù)據(jù)中“學(xué)習(xí)”到哪些因素對(duì)于實(shí)現(xiàn)這一目標(biāo)很重要。
Google去年在其數(shù)據(jù)中心應(yīng)用機(jī)器學(xué)習(xí)就是一個(gè)很好的例子。數(shù)據(jù)中心需要保持低溫，因此它們需要大量的能源來(lái)讓冷卻系統(tǒng)正常工作（或者你可以直接將它們扣入海洋中）。這對(duì)于Google來(lái)說(shuō)是巨大的成本，所以目標(biāo)是通過(guò)機(jī)器學(xué)習(xí)來(lái)提高效率。