为什么要学习和了解机器学习？
Benedict Evans 认为，最终几乎所有的东西都会有机器学习，到那时人们对机器学习已经是习以为常、见怪不怪了。到这一步还有多久呢？10-15年。
这不禁让人思考：这10年，我们能利用这个契机在各自的领域做点什么呢？正如以往的各种技术浪潮兴起时，比如工业革命、电力革命、互联网、移动互联网，还有作者在文中说到的关系数据库技术等，那时各领域的创新者们都是如何响应的呢？
如果希望10年后能在自己的领域有所影响力的，利用机器学习应该是一个好的机会。跟自己相关的是学习领域，所以如何利用机器学习来提升学习的效率，是这一年多来在探索的命题。
假若10年机器学习技术真的对人类的学习方式、方法及效率带了本质的改变，希望其中能有一点自己的贡献。
下面是学习 Benedict Evans 这篇文章记的笔记以及自己的一点思考。
讨论机器学习务实方式
机器学习又被称作“人工智能 (AI)”。这个名字有好有不好。好的方面是，很容易抓眼球，获得大家（包括投资人）的注意力。不好的是，容易跑偏。大家容易想象成一种具有通用智能的东西。
作者举了很好的例子：
在自动化的每一波浪潮中，我们都想象我们正在创造一些拟人化的东西或具有通用智能的东西。在上世纪20、30年代，我们想象钢铁侠拿着锤子在工厂里走来走去，在50年代，我们想象人形机器人在厨房里走来走去做家务。但我们没有机器人仆人，我们有用来清洗的机器。
所以“人工智能将接管所有的工作” “数据是新的石油” 类似的话题都过于高屋建瓴，对深入理解机器学习并无益处。
更务实且有助于理解和解决问题的方式应该是：机器学习可以看作是另一种意义上的自动化，在概念上跟传送带或取放机并没有什么不同。它每次只能解决一个单一问题，每个问题都需要不同的实现方式、不同的数据、不同的路径，而且往往需要不同的公司。洗碗机洗碗，洗衣机洗衣服，机器学习跟它们一样，都是自动化的一部分。
找到机器学习应用场景的两套工具
作者在文中提供了两个思维角度，来寻找具体产品中机器学习的应用场景。
工具一：从数据和要解决的问题的类型上来思考，主要有三类：
（1）如果你有相关数据，机器学习可以提供更好的结果（数据分析）
比如：Instacar 公司建立了一个系统，来优化个人购物者在超市中的路线，结果是相关超市有50%的提升。这是由三名工程师利用谷歌的开源工具 Keras 和 Tensorflow 建立的。
（2）机器学习可以对已有数据提出新的问题（数据挖掘）
比如：就像正在找线索的律师，可以通过寻找有关“愤怒的”或“焦虑的”以及其他异常的线索，带来新的发现。
（3）机器学习可以用来直接分析音频、图像或视频数据，以前无法做到。这意味着图像传感器和麦克风变成了一种全新的输入机制（增加可分析数据类型）
比如：一家为汽车公司提供座椅的公司，在一个便宜的DSP芯片上安装了一个神经网络，并配有一个便宜的智能手
机图像传感器，用来检测面料是否有褶皱。
作者还特意指出，这个识别面料是否有褶皱，跟识别一张图是否是猫并不是同一个问题。我想他的意思应该是，用于工业界和实际产品中技术，并不需要像识别一张照片是否是猫这种认知层面的技术。能低成本地解决环节中任何一个哪怕是细小的问题，都是好的。至于能不能叫“人工智能”又有什么关系，它的本质是将以前无法自动化的任务给自动化了。
工具二：自动化的感觉（上面讲的这种自动化）
这个似乎有点虚无渺茫。你要想象这种自动化是一种低层次的自动化，并不需要像有20年经验的专家那样。
作者打了一个比方，还挺有意思的。他说有了机器学习这个工具，就像是给了你无数个可以用的实习生，或者是10岁的孩子。
5年前，机器能区分只能是照片的大小。一位10岁的孩子，可以分出男女。一位15岁的青少年可以分出酷或者不酷。一位实习生则能区分出有趣的人或无趣的人。现在的机器学习，已经可以达到10岁孩子甚至是15岁青少年的能力，但也许永远达不到实习生的水平。
那么问题来了：在这种情况下，如果你有一百万15岁青少年（即机器学习）来帮忙看照片，你会怎么做呢？同理，你会怎么通过他们来听电话，来识别图片，来监测信用卡转账信息呢？
（也许可以想一想再看答案...）
我们可以要求“他们” 听完所有的电话，找出其中听起来有些生气的那些；读完所有的邮件找到显得“焦虑”的那些；看完所有照片，找出酷的（至少是‘有点怪’）的，而在这之后的事情可以交给人来处理。所以，机器学习并不需要成为专家本身。
而这本质上就自动化一直在做的事，就像是 Excel 和 Photoshop 一直在为我们做的事情一样。
将一个重复多次的独立任务自动化，这同样是机器学习要做的。
当然上面这个比喻也有不适用的时候，比如机器在有的领域会超越人类，比如围棋。AlphaGo 就是一个很好的例子。但是这种领域足够狭窄，有具体且有限的规则，机器通过规则推演可以看到全部数据，而人类反而做不到的情况，是非常少见的。所以绝大多数的机器学习应用，还是上面说的“自动化”。
最后，结合自己的一点实际经验，说一说自己的体会，主要有两个方面。
第一，先摘低垂的果实
“低垂的果实” 是从万维钢的得到专栏《精英日课》听来的译法，英文是low hanging fruit，指的是相对不需要费太大力气就能获得的。
不是所有的人或公司都要追求10倍创新，那些让希望赋予机器认知能力的事情可以由大公司来做。对于一个直接面向用户的产品来说，什么能提升体验、能创造新的用户价值，就用什么。不为所谓“人工智能”之名所累，一切以解决问题和提升效率为优先，是更务实的态度。
第二，机器学习在用户量级大的系统解决方案型产品中更能发挥出效能
一是因为机器学习是靠数据驱动，用户量级大，收集的数据多，训练和迭代模型都更有利。另一个原因是，因为机器学习优化的可能是整个体系的一个环节，其效能需要在多次重复使用中发挥出来。这种回报后置要求，一在获得成效前要有长远眼光，二在取得成效后，需要系统将其效能放大。
比如，一个自适应的英语水平测评做得非常精准，但人们不一定愿意持续为测评付费。更好的情况是，测评后面还有一整体套提升英语水平的付费课程。
总之，机器学习是一个我们不想也不能忽视的趋势。它已经被应用于各行各业的各个环节，也将被应用于更多的场景，以此来提升效率。
