机器学习已经很普遍：大多数人可能没有意识到这一点。
Very 工程副总裁 Bill Brock 表示：“无论您是否意识到，机器学习很可能为您每天使用的应用程序提供支持。” “机器学习彻底改变了无数行业；它是智能手机中许多应用程序的基础技术，从 Siri 等虚拟助手到使用 Google 地图预测交通模式。”
也许您更关心流量预测或语音助手响应的准确性，而不是引擎盖下的内容 - 这是可以理解的。但随着机器学习用例的不断增加，您会发现自己至少需要向 IT 之外的人员解释该技术的基础知识，无论是为了获得支持、展示团队的工作，还是只是为了构建部门之间更好的沟通和理解。您对机器学习的理解还可以增强您的人工智能战略的长期成果。
如果您尚未使用人工智能或机器学习，您很快就会评估其潜力。 “人工智能作为一种工作负载将成为 IT 战略的主要驱动力，”红帽首席技术官办公室人工智能高级总监 Daniel Riek 最近告诉我们。 “人工智能代表了 IT 行业的变革性发展：各个垂直领域的客户越来越关注智能应用程序，以利用人工智能来支持他们的业务。这适用于软件中实施的任何工作流程——不仅跨越企业的传统业务方面，而且还适用于研究、生产过程，以及越来越多的产品本身。”
[ 获取我们针对 IT 和商业领袖的 10 个关键人工智能术语的快速浏览入门知识：备忘单：AI 术语表。 ]
什么是机器学习？
这不仅仅是地图或虚拟助手。考虑一下“人工智能高管指南”中的这个例子，这是我们最近由哈佛商业评论分析服务公司进行的研究报告。该报告强调了如何使用机器学习来解决贝斯以色列女执事医疗中心的问题：其手术室容量捉襟见肘。
“机器学习使用来自 100 万患者的数据，包括过去的手术时间、完成的手术以及患者的疾病、性别、年龄、合并症、药物等，确定任何特定患者需要多少手术时间，”报告写道。结果，医疗中心释放了 30% 的手术室容量。
这不是天上掉馅饼的未来主义，而是具有实际影响的东西，这只是一个例子。此外，对于大多数企业来说，机器学习可能是当今最常见的人工智能形式。人们有理由至少知道这个术语的基本定义，如果没有其他原因，就像布罗克提到的那样，机器学习日益影响着他们的生活。
因此，让我们了解一些可以用来帮助其他人理解机器学习的明确定义。
机器学习定义
“从本质上讲，机器学习的任务是让计算机变得更加智能，而不需要明确地教它们如何行为。它通过识别数据模式来实现这一点——对于图像和患者健康记录等多样化的高维数据尤其有用。” ——Bill Brock，Very 工程副总裁
“用经典术语来说，机器学习是一种人工智能，它能够从数据中进行自我学习，然后在无需人工干预的情况下应用该学习成果。事实上，机器学习有很多不同类型，以及如何最好地利用它们的策略也有很多。” – Fran Fernandez，Espressive 产品主管
“从广义上讲，机器学习是计算机科学的一个子集，涉及对观察到的数据应用统计来生成可以完成某些任务的过程。这既包括机器学习的结构（获取数据并使用统计数据从中学习），也包括机器学习的影响（面部识别和推荐系统等用例）。” –Michael McCourt，SigOpt 研究科学家
机器学习、人工智能、深度学习
这些是机器学习的良好宏观定义，不需要太多的技术专业知识就能掌握。从那里开始，事情变得更加详细，也更加复杂。例如，布罗克指出，机器学习是一个总括术语，包括三个子类别：监督学习、无监督学习和强化学习。
（布罗克之前在这个故事中与我们分享了监督学习和无监督学习之间的区别。他指出强化学习借鉴了心理学实验：“机器尝试在被置于一组不同场景中时找到要采取的最佳行动。这些行动可能会产生短期和长期的后果，需要学习者发现这些联系。”）
您还可以深入研究相关的子学科，例如深度学习。 （如果您想这样做，请阅读我们的故事：如何用简单的英语解释深度学习。）不过，对于 IT 领域之外的人来说，这些东西很快就会变得令人困惑。这就引出了一个问题：他们实际上需要了解多少关于机器学习的知识？
“我认为非技术人员不需要了解机器学习的基础知识，”来自 Espressive 的 Fernandez 说道。 “相反，我相信他们需要了解机器学习的好处。他们不应该说‘机器学习意味着 xyz’，而应该说‘因为机器学习，我们的企业才能够实现 xyz。’”
您还可以通过视觉方式讨论 AI 与 ML。想象一组俄罗斯套娃：人工智能是其中的一个大玩偶，机器学习就位于其中，而其他认知功能则位于其下方。 “人工智能是一个广泛的容器术语，描述了使机器能够复制人类行为和智能的各种工具和算法，”管理和 IT 咨询公司 Pace Harmon 的总监 JP Baritugo 解释道。人工智能有很多种。机器学习是其中之一，但还有自然语言处理 (NLP)、深度学习、计算机视觉等。
[ 获取我们针对 IT 和商业领袖的 10 个关键人工智能术语的快速浏览入门知识：备忘单：AI 术语表。 ]
对于那些喜欢类比的人来说，密歇根理工大学计算学院威廉和格洛丽亚·杰克逊计算机系统副教授兼计算和网络系统研究所所长蒂莫西·哈文斯 (Timothy Havens) 将人工智能的工作方式比作学习骑自行车： “你不会告诉孩子将左脚在左踏板上向前移动一圈，同时将右脚移动一圈……你推他们一下，告诉他们保持自行车直立并指向前方：总体目标。他们会跌倒几次，每次失败都会磨练自己的技能，”哈文斯说。 “简而言之，这就是人工智能。”
机器学习是实现这一目标的一种方法。管理咨询和研究公司 Everest Group 的执行副总裁兼杰出分析师 Sarah Burnett 解释说，它使用统计分析来自主学习并改进其功能。
Pace Harmon 的 Baritugo 表示：“[ML] 使用各种算法来分析数据、辨别模式并生成必要的输出。”他补充说，机器学习是驱动预测分析和预测建模的能力。
机器学习是如何工作的？
Fernandez 说，如果你要强调 ML 的一个方面，那就应该是数据的重要性，因为大多数部门都参与生产数据，如果管理和分析得当，就能从中受益。
“如果你想在未来给自己更多的时间，并通过利用机器学习提高效率，你应该考虑你在工作时生成的数据，以及如何以机器学习可以利用的方式访问和构建这些数据。 ，”费尔南德斯建议道。
事实上，这是一个关键领域，至少对其他部门的机器学习有广泛的了解可以提高您的成功几率。
“如果人们更多地了解机器学习——也许不是细节，但至少是基本概念——那么他们就会明白机器学习并不仅仅‘只是发挥作用’，”SigOpt 的 McCourt 说。 “它需要指导、结构、数据和时间（特别是在大数据的情况下），并且需要有人来解释开发期间和部署后的结果。”
帮助他人理解基础知识的另一个动机，特别是在数据的重要性方面：完全无知可能会增加偏见和其他问题的风险。 “人们很容易盲目地相信机器学习算法的结果，但结果的好坏取决于算法所训练的数据，”布罗克说。
[ 如何防范人工智能偏见？另请阅读人工智能偏见：IT 领导者要问的 9 个问题。 ]
你做多少解释将取决于你的目标和组织文化等因素。但至少要给人们一个快速入门的首要原因是，对公司中的机器学习（以及相关概念）的广泛理解可能会提高你的人工智能成功几率，同时保持合理的期望。
“机器学习可以解决问题，但采用机器学习工具的公司并不能简单地解决所有问题，”麦考特说。 “机器学习本身就是聚类、近似、分类或设计的过程；通过了解 ML 的工作流程，不懂技术的人可以认识到，ML 只是做出明智决策和采取明智行动的完全成功流程的一部分。”
如何才能最好地宣传机器学习？让我们看一些例子：
