基于云的機器學(xué)習和深度學(xué)習一再被誤用。這多半都可以輕松解決，當然，基于云的機器學(xué)已得到了廣泛的使用。但你要用得巧妙，用得恰當。

企業(yè)不斷犯這三個錯誤：浪費資金，降低應(yīng)用程序性能，還有成效不佳。

我非常喜歡基于云的機器學(xué)習和深度學(xué)習，以及一般意義上的人工智能。畢竟，如果你無法想象這樣的場景——與能回答問題且執(zhí)行命令的具有人工智能的實體展開對話，你就不能成為一名極客!

話雖這么說，我也發(fā)現(xiàn)，基于云的機器學(xué)習和深度學(xué)習一再被誤用。這多半都可以輕松解決，當然，基于云的機器學(xué)已得到了廣泛的使用。但你要用得巧妙，用得恰當。

以下是我看到的三個反復(fù)出現(xiàn)的錯誤。

1.沒有足夠的數(shù)據(jù)來為知識模型提供訓(xùn)練

沒有經(jīng)歷過任何學(xué)習的機器學(xué)習是毫無價值的。機器學(xué)習的真實用例是將算法應(yīng)用于大量的數(shù)據(jù)，并且使某些模式顯現(xiàn)出來，這些模式成了用于基于機器學(xué)習的應(yīng)用程序的培訓(xùn)。

所以，沒有數(shù)據(jù)就談不上學(xué)習。雖然機器學(xué)習應(yīng)用程序最終會收集數(shù)據(jù)并變得更加智能，但它需要一個出發(fā)點，在這個出發(fā)點，數(shù)據(jù)多得足以教會系統(tǒng)如何思考。

例如，有一些機器學(xué)習系統(tǒng)運行在醫(yī)院中，這些系統(tǒng)用魔法般的手段向員工透露你住院期間死亡的可能性。如果連100,000個數(shù)據(jù)點都沒有，你可以指望該可能性為0或100%——這毫無幫助。

2.在不需要機器學(xué)習的地方使用機器學(xué)習

這是我見過的最常見的失敗事項——因在應(yīng)用程序中使用機器學(xué)習而導(dǎo)致公司在開發(fā)成本上增加兩倍或三倍——完全平白無故地。機器學(xué)習系統(tǒng)在很多用例中根本沒有發(fā)揮真正的優(yōu)勢。

程序邏輯在大多數(shù)情況下都管用，因此為會計系統(tǒng)或調(diào)度系統(tǒng)構(gòu)建知識庫就太過分了。更糟糕的是，由此產(chǎn)生的應(yīng)用程序效率要低得多。

3.不了解性能影響

在應(yīng)用程序中嵌入機器學(xué)習系統(tǒng)有時可以使它們對業(yè)務(wù)更有價值。但這也可能會使應(yīng)用程序的性能大打折扣。

試想一下：嵌入式機器學(xué)習服務(wù)在跨數(shù)據(jù)運行算法時可能會有幾秒的延遲。如果該應(yīng)用程序要近乎實時地提供響應(yīng)，由于延遲響應(yīng)導(dǎo)致的生產(chǎn)力損失，機器學(xué)習的一切價值都會迅速地消失。