来源 | HackerNews
编译 | 晓查
不温不火的机器学习忽然蹿红业界,也就是这两三年的事,于是不仅传统行业,连风光一时的互联网公司也开始疑惑:我们要不要搞机器学习?是不是也应该弄个人工智能研究院?机器学习,或者AI,到底能为公司带来什么?
硅谷创业加速器YC旗下的技术创业者社区HackerNews里,就有人提出了这个问题:AI,或者机器学习在哪里真正为你的公司带来了价值?
来自科技巨头、创业公司甚至传统行业的用户都给出了自己的回答,正反两面的声音都有。
AI100精选了以下9条:
altshiftprtscrn的回答
我在制造业工作。我们有一个声学显微镜用于扫描零件,目的是识别其内部缺陷(通常是被困在环氧树脂里的颗粒)。通过这些颗粒的大小、形状、位置、数量很难定义什么设备是次品的。我们的最终产品测试可以告诉我们,产品在电气测量意义上的“好”和“坏”,但是该测试不能应用在我们关心的辨认缺陷的装配阶段。
我最近演示了一个非常简单的装袋决策树模型,“预测”扫描零件在下游测试失败的准确性有95%。我的确没有在机器学习领域有一个很大的背景,我是只是应用了这些原理,而并不理解它们,这么操作是完全有可能的。(是的,我真的感到非常内疚。)
实验结果说明了,如果在出现问题时能够早点发现,那么每年可以减少100万美元的残次品成本(若该模型被批准用于生产使用)。这只是一个产品,在一个工厂,在一个公司,而世界各地有100多家这样的工厂。
经验促使我回到学校更有条理地学习这个东西。在复杂的制造、供应链环境中使用机器学习具有巨大的价值(换而言之,它可以避免浪费)。
sidlls的回答
我去年开发的整个产品,其实可以被精简为一个基本的统计问题(例如比例、概率),但是由于这一波炒作,我们建立了“模型”,然后根据数据集来“预测”特定的结果。
我所在公司公司销售的一个产品,或多或少地试图用“机器学习”来从一个大数据集里寻找重复条目。
为这个产品提供价值的不是机器学习技术本身,而是近来充斥硅谷的炒作潮流:我们的顾客看到“数据科学产品”,完全想不到它只是基本的预测分析。我不知道如果没有了(机器学习)这个标签,产品还能不能卖得出去。
澄清一下:我供职的公司确实使用机器学习技术,我也确实在公司的数据科学团队工作。我的关电视:其实我们并不需要做这些事,因为我们的产品用最基本的技术就能实现,根本不用这么复杂。
ekarulf的回答
亚马逊个性化。
我们使用机器学习/深度学习为客户提供产品建议和推荐产品的建议。多年来,我们只使用基于基本统计的算法,但我们发现机器学习模型在这种场合做得更简单。
(这位用户还在答案底下附上了亚马逊相关博客文章、GitHub地址和招聘信息)
strebler的回答
我们是一家计算机视觉公司,我们做了很多产品检测+识别+搜索,主要面向零售商,但我们在很多其他的图像垂直领域也获得了收入。我的联合创始人和我都在计算机视觉领域做出了相关论文。
在我们的地方,最近的人工智能 、机器学习进展使一些事情成为可能,这在以前简直不可能实现。
虽这么说,但围绕深度学习领域的炒作变得非常严重。我们的几个竞争对手已经退出了这一业务(即使他们正在利用深度学习的神奇功效)。例如,JustVisual在几个月前(融资2,000万美元+)已经被出售,Slyce(融资5000万美元+)也将在本月晚些时候出售。
是的,深度学习已经取得了一些非常根本性的进步,但这并不意味着它可以很神奇地去赚钱!
jngiam1的回答
在我们Coursera(免费大学在线课程),有几个地方使用机器学习:
我们最近联合组织了一个机器学习教育的岗位技能水平考试研讨班:http://ml4ed.cc。 在利用机器学习来改善教育方面还有未开发的潜力。
ksimek的回答
在Matterport,我们的研究团队正在使用深度学习来了解我们的客户扫描的3D空间。深度学习对于像我们这样的公司是有很大作用的,其中我们的大部分数据是图像,在深度学习的到来之前,以高吞吐量的方式提取这些信息是不可能的。
我们的一种应用场景是自动创建全景用以参观房屋。房地产是我们的一个大市场,我们产品的一个关键是能够创建一个自动播放幻灯片或3D图像的参观模式。问题是,手动创建这些图像需要时间,因为它需要制作一个3D模型,找到每个房间的最佳视图。我们知道这些东西在销售房屋时能增加巨大的价值,但我们的许多客户没有时间创建它们。在我们的研究实验室里,我们使用深度学习通过识别房子的不同房间以及图片是否更具有吸引力来自动创建导览图。我们用大约一百万个用户手动拍出来的照片集合对它进行训练,其中一部分照片标记出了房间类型。
这不太遥远,但我们也在寻找3D几何评估的语义分割,用深度学习提高深度数据质量,以及深度学习对3D数据的其他应用。我们的客户扫描了大约37万栋建筑,生成大约3亿张实景的RGBD图像。
Flammy的回答
我参与的创业公司使用机器学习来预测哪些原因将导致用户的流失。
我们与B2B、B2C SAAS、移动应用、游戏以及电商合作。对于它们中的每一个,定制的是通用的解决方案,以令他们知道哪些用户最容易发生流失的风险。时间跨度因客户生命周期的不同而不同,但是对于最长的生命周期,我们可以高精度地提前超过6个月预测客户的流失。
比“谁存在流失风险?”更重要的是“为什么他们会存在流失风险?”。为了回答这个问题,我们关注了与流失存在正相关和负相关行为的模式和集合,以便我们的客户有目的地去鼓励、劝阻或修改的这些特定行为。
这使我们的客户可以通过各种手段,尝试留存他们的用户。 对于我们的B2B客户,客户经理非常相信他们需要去联系哪些人,以及为什么要这么做。
所有这一切包括常规模型再训练,考虑新用户的事件和行为,新产品更新等等。我们对我们的解决方案有信心,并提供给我们的客户免费试用,向他们证明我们自己。
我不能分享细节,但我们今天上午刚刚签署了我们最大的一笔合同。
iamed2的回答
我们使用机器学习对电网中的复杂相互作用进行建模,以便做出改善电网效率的决策,这已经(至少在短期内)比使用优化程序更有效,并以获得更好的结果。
一般来说,我认为如果你知道你的数据关系,那么你不需要机器学习。 如果你不知道,机器学习可能会特别有用。
got2surf的回答
我的公司制作分析客户反馈的软件。
我们使用“真正的”机器学习用于观点分类,以及一些自然语言处理和挖掘意见的工具。 然而,大多数有价值的结果来自简单的统计分析、概率、比率,正如其他评论者所提到的。 机器学习对于确定某个客户是否在反馈评论中感到愤怒非常重要。但是,随着时间推移,它在热门趋势话题中的作用就没那么重要