机器学习未来十年：企业不再需要大笔R&D资金

【新智元导读】著名投资人 Paramita Ghosh 日前撰写博文，总结近年来在企业软件生态系统得到大幅发展，ML技术容易操作、方便部署，同时市场也已经成熟了，商业利润很高。另一方面，ML技术也同样威胁到人类工作的一些核心方面，比如自然处理、人类劳动或者传统的工作流。本文从正反两个方面分析机器学习这一快速普及的技术将为数字时代带来怎样的巨变。

尽管ML有助于解决一些数据管理（Data Management）中最困难的问题，比如说海量的数据增长、云服务，但没有人类决策者的适度干预，ML技术是无法独自在企业软件生态系统中存活的。很多尝试性的ML项目，比如谷歌的无人驾驶汽车，已经证实了这一点。世人普遍认为接下来十年间，机器学习将成为人类社会最重大的技术贡献之一，但要实现这一切，代价是什么呢？

机器学习：革新未来计算机技术的力量

机器学习拥有很多下一代颠覆性软件技术的特征。当前，我们正在见证人工智能和机器人领域中的机器学习技术对产业的初步影响；然而，在接下来10年间，我们将会逐渐看到企业传统的软件部署被ML技术真正给取代。对于全球软件开发市场而言，前路既存希望，也含挑战，下面本文将简要分析机器学习在企业软件开发市场方面的问题和收益。

收益

不是数据中心也能使用机器学习

日前有篇文章，写的《谷歌想让机器学习部署到每日使用的设备》，讲了谷歌正与Movidus积极合作，不通过云服务，也能在本地为移动设备提供ML。一般在移动设备上的互动会产生大量非结构化的数据，而ML将使这些设备自然而然地整合图像和音频信息。眼下，移动ML软件应用受制于硬件的能耗和处理性能，迫使移动端用户不得不依靠云服务。谷歌正在计划使用Movidius MA2450芯片，这样即使不是数据中心，也能进行高强度的计算。

Movidius 公司强调，未来的移动端设备将更好、更快地处理图像和音频，从而为用户提供高度个性化的服务。

企业软件部署将会发生重大转变

LinkedIn上发表的文章《机器学习将会大力推动下一代企业软件》，描述了一副有趣的图景，未来在ML技术辅助下的软件应用将会：

• 开发人员和第三方供应商终于开始接受并使用ML堆栈，有助于数据科学加速创新
• 用机器学习技术处理更大的数据集时，效率会更高更好。像Hadoop这样能够使用大规模数据的新技术使ML应用变成现实。
• 移动端数据和社交数据的暴增，让市场对能够处理大规模数据集的ML提出了需求
• 渐渐地，像clustering和regression这样的ML技术将变得十分重要，在让数据转变为企业切实可用信息的过程中，扮演关键角色

问题

未来ML最大的障碍：人类 VS 软件驱动的机器人

ML项目相比传统编程软件更加难以维护和运营，第一周使用时正确率能够达到80%，第二周使用时正确率就降低到20%，甚至根本无法使用。此外，人类任务的完全自动化或机器人取代软件开发人员的可能，也是ML项目的一大难关。为了更切实地工作，技术管理人员或项目领导应该考虑好，让机器和人类一起工作。

能够说明上述人机对峙的一个很好的例子是，如果有了一辆能够100%准确无误运行的自动驾驶汽车，人类司机自然会被取代；但是若只有一辆能够99%准确率运行的自动驾驶汽车又将如何呢？谷歌最近对无人驾驶汽车项目的测试结果表明，在行驶超过3万英里距离后，如果完全不加入人类司机，大概会有15%的几率出现事故。

下一代机器学习技术将如何影响未来的城市居民？

• 到2020年，人类总劳动力将增长50％左右，到2025年实现约75％的增长。
• 在自动化、ML驱动下无处不在的移动互联网将见证智能设备在全球范围内数量暴增
• 传统的人类劳动或工作逐渐被机器取代

目前，我们可能会看到智能算法预报天气，很快就会有自动驾驶汽车、自动财务顾问或机器人医护人员。机器学习与机器人技术相结合，不仅将改变未来的人机交互，甚至可能消灭成千上万的人类就业岗位。不过，另一种流行的想法认为，虽然新的技术将使人类劳动变得过时，但也将为人类提供新鲜的就业机会，只要你善于发现。在未来十年生活和工作的人，最好现在就着手研究当前技能型紧缺模式，并为将来机器学习时代下能够派上用场的技术做好准备。

总之，虽然在未来十年承诺的机器学习将带来更好的医疗诊断系统、更好的欺诈检测模型或自动决策支持系统，但是企业将不再需要花费庞大的研发预算使用机器学习技术。当前的问题是，如何让还不够完美的机器学习模型整合融入现有的工作流程。

原文标题：Machine Learning of the Next Decade: The Promises and the Pitfalls