作者：张珂
【导读】机器学习、人工智能、商业智能充斥着我们的眼球，各种与数据沾边的初创企业都宣称利用ai技术云云，特别是一些与消费领域相关的初创企业，因其行业所处的数据量与获取渠道的制约，注定了大部分企业的ai只能是相对初级的产品或应用。
作为人工智能的核心技术，如果说过去几年的机器学习应用更多是企业测试性的行动，2017年可以说是机器学习的元年。在本年度，我们将看到机器学习与自动驾驶、制造、金融、零售等行业产生更为紧密的融合，并开始实现大规模的商业应用。
为了支持产业转型，在2017年，我们将看到机器学习巨大的变化将来自硬件升级而不是软件，2017年也将是硬件开始赶超软件的一年。不管你有没有做好准备，不管你是乐观还是悲观，我们都将成为人类社会发生巨变的见证者。
本文原作者nickismail，原文发表于information-age，编译时对文中涉及机器学习应用的4个行业分别增加了相关案例及解读。
在过去几年中，机器学习已经成为科技行业的大趋势。作为更易应用的人工智能，机器学习更多是完成某一项任务，而不是直接编程。
目前，基础设施的快速发展，已经能够支持机器学习快速和有效的应用。2017年，将会有越多越多的企业将机器学习视为企业技术核心，并从试点运行扩大到全面商业化应用。
在2016年，各行业都有机器学习的不少测试案例，也有许多关于机器学习的初创企业被科技巨头收购。作为机器学习的一个分支，通过生成高效算法来构建高水平数据模型的深度学习也成为技术发展的主流。
2017年将成为机器学习技术影响人类世界的元年，机器学习开始进入商业化阶段。
1.自动驾驶
在消费领域，我们看到最多的机器学习应用，莫过于无人驾驶技术。许多无人驾驶汽车还处在测试阶段，在公共道路上实现完全自动驾驶的想法还处在起步阶段。
当自动驾驶汽车在公路上行驶时，必须能够实时响应周围的情况，这一点至关重要。这意味着通过传感器获取的所有信息必须在汽车中完成处理，而不是提交服务器或云端来进行分析，否则即使是非常短的时间，也可能造成不可挽回的损失。
因此，机器学习将是汽车数字基础设施的核心，使它能够从观察到的环境条件中进行学习。对于这些数据，一个特别有趣的应用是映射——汽车需要能够自动响应现实世界的周围环境，以更新地图。因此，每辆车都必须生成自己的导航网络。
自动驾驶已经成为近两年传统车企与科技公司争夺的热点领域，大众、本田、丰田、福特、通用、博世等传统车企或零部件企业通过自主研发或合作等方式，开发自动驾驶汽车；高通、三星、英特尔等公司通过开发自主驾驶芯片来抢占自动驾驶领域的一席之地；谷歌、特斯拉、亚马逊、微软等科技巨头更是通过技术优势提前布局自动驾驶。
在我国，自动驾驶更是提到了国家战略的高度，全国各地纷纷启动无人驾驶汽车示范区项目。4月19日，百度开放自动驾驶平台，帮助汽车行业及自动驾驶领域的合作伙伴快速搭建属于自己的完整的自动驾驶系统。
2.制造业
与自动驾驶汽车一样，随着物联网的发展，制造业企业可以从安置在生产线各环节的传感器收集大量的生产数据。
然而，这些数据并没有被充分利用。随着从复杂系统收集到众多参数的数据，数据分析变成了一项艰巨的任务。机器学习在制造业中的最大应用将是异常检测。
据统计，到2030年，全球的淡水需求预计将超过供应近40%。为协助各企业实现净零水循环使用的目标，美国水处理公司ecolab（艺康集团）正通过包括azure和dynamicscrmonline在内的微软云平台帮助全球企业实现可持续运营。
与全球各地数以千计传感器相连的云平台能收集实时用水数据，并通过机器学习和商业智能分析全球各地的生产用水运营解决方案，不仅提高效率，还能降低水、能源消耗及运营成本。
尽管在这个领域之前已经进行过一些分析尝试，2017年将会有更多机器学习通过监督学习和建模来预测风险和失败。
2017年，机器学习也将推动工业自动化的实现，通过观察生产线和数据流来学习，并能够精确优化生产过程，降低生产成本，加快生产周期，从而节省人工分析数据的时间成本和资金成本。
天机智能作为深圳长盈精密的全资子公司，通过自动化改造，帮助公司提升生产工艺装备的自动化和智能化水平。该公司用机器取代了90%的劳动力，生产率提高了80%，产品缺陷率也显著减少了2.5倍。目前，工厂只有60名工人检测和管理生产线，以及维护计算机系统。
3.金融业
金融行业以其拥有的大量数据而闻名——从交易数据到客户数据，以及两者之间的所有数据。未来，这一数据会越来越多，而金融机构也越来越希望能够充分利用它们所拥有的海量数据。迄今为止，金融机构已经使用各种统计分析工具进行大量的分析，但对海量数据的实时分析与排序仍然是一项挑战。
2016年，金融业内已经有很多部署机器学习的讨论和试点行动。可以预计，2017年将成为金融业大规模应用机器学习的元年。金融机构将越来越多地依靠机器学习来挖掘新的商机，为客户提供个性化服务，乃至预防银行诈骗。
美国创业公司numerai是一家以众包模式结合人工智能技术的对冲基金，通过人工智能技术，可以避免传统程序化交易因无法根据实时发生的市场变动调整算法，造成资产损失的风险。自2015年底建立以来，已经有数千人参与了其机器学习模型的建设，并收到近47亿次股票价格预测。
另外，老牌金融巨头也正在积极部署机器学习技术，例如全球最大的财富管理机构——瑞士银行（ubs）正在尝试利用面部识别，通过观察客户对不同投资标的呈现的面部表情来帮助他们进行投资。
从2017年1月起，日本保险公司fukokumutuallifeinsurance使用ibm的人工智能“watsonexplorer”替换了34名人身保险索赔人员。该系统通过自动扫描医院记录和其他文件，了解人身伤害、病人病史等数据，帮助保险公司更快地进行保险赔付分析。另外三家日本保险公司也正在测试利用人工智能系统来实现自动化工作。
目前，投资组合管理公司使用传统方式来获取相关数据，如利润率分析、自由现金流、回报率、成长曲线、定价分析。除了可以完成上述分析外，机器学习还可以帮助搜索社交媒体、网站和其它来源，分析非结构化的数据，以获得更多的数据输入，帮助人们制定更好的决策。
4.零售业
在线推荐技术已经变得越来越复杂。在2017年，诸如引入社交网络推荐等更多的数据源，在线推荐的数据将会更加详实、更加细分化。
例如，如果你曾在线浏览猫粮的信息，那么你可能会看到与猫相关产品的推荐广告。在未来一年，电商网站将通过更多的购买趋势和客户数据，为你提供更加个性化、更精准的推荐信息。
虽然电子商务已经经历了部署机器学习的早期阶段，但在2017年，最激动人心的事情之一，就是该技术将用于线下实体店的购物。
零售商将能够在消费者进入商店时分析消费者的行为和动作，用于帮助消费者找到合适的商品和适当的优惠。通过视频分析，零售商将能够分析消费者正在查看哪些商品，甚至是商品包装上的某个部分，无论是价格、功能还是图片。通过分析这些消费者购买数据，可以为零售商提供消费者最可能购买的商品的最佳建议。
利用传感器、物联网、虚拟现实和增强现实、可穿戴技术，不只是为消费者提供更方便快捷的购物体验，而是基于各种新技术背后的ai数据分析，为零售商发现更深层次的消费洞察。
adobe公司正在与微软合作研发增强现实在零售环境中的可视化应用，将可视化数据分析展现在hololens上，商家可以看到店面人流量、消费者消费行为等数据，使商家的营销活动更具精准性。
为了支持产业转型，在2017年，我们将看到机器学习巨大的变化将来自硬件升级而不是软件。
为了满足机器学习所需要的分析速度，机器学习处理正越来越多地从云计算转向边缘计算，那些时间紧迫的信息处理将越来越即时。
此外，我们将看到越来越多的投资会集中在多核技术和并行计算上，而这将进一步提高机器学习的速度。在更广泛的机器学习技术部署方面，2017年，将是硬件开始赶超软件的一年，例如,增强gpu技术以及混合系统（如cpu+fpga）。
机器学习正开始改变我们的工作与生活，而它在行业中的应用才具有真正的革命性。随着机器人在企业it和业务流程中越来越多的应用，企业将很快把机器学习作为核心业务处理和自动化决策的核心。
随着基础设施的快速发展和有效的机器学习应用，2017将是机器学习从企业试点走向全面应用的关键一年。