ADOBE REAL-TIME CDP
什么是机器学习？
快速定义： 机器学习是人工智能 (AI) 的一个子集，此类系统使计算机能够比人类更好、更快地执行任务，并需要用到在处理较多数据时提高性能的模型。
尽管机器学习 (ML) 听起来像是一项大多数人难以触及的先进技术，但令人惊讶的是，它却是许多组织都能轻松获得的一个工具。事实上，大多数人在日常生活中都在使用机器学习，只是他们通常没有意识到而已。
关键点：
- 机器学习模型通过从某些决策产生的结果中“学习”来获得改进。
- 机器学习包含三个关键领域：监督学习、无监督学习和强化学习。
- 当您拥有的数据量让人类大脑无法应对或无暇应对时，机器学习是最佳选择。
- 机器学习通过接管数据分析师工作中较为繁琐的任务来提高生产力。
请查阅本指南，了解机器学习的工作原理、机器学习的类型、优缺点以及该项技术的未来。
探索本页面的各个部分
机器学习的工作原理
机器学习的类型
使用机器学习系统的好处
机器学习算法的弊端
企业如何使用机器学习
机器学习的历史
机器学习的工作原理
机器学习是一种可以帮助计算机系统学习和改进其输出的技术。机器学习使用算法（即解决问题的规则）来通过机器生成更有用的内容。
大多数机器学习模型都是通过将数据输入算法来发挥作用的。接下来，模型会自动查找其预测中的错误。它会使用过去的示例来比较其输出并检查是否存在任何问题。此时，人类用户将接受或拒绝这些输出。通过训练机器学习模型，模型会随着时间的推移变得更加有效和准确。随着机器学习模型收集的数据和经验增加，它们需要的人工干预会越来越少。
机器学习与 AI 相似，但又存在一些区别。机器学习是计算机通过一段时间内的迭代而变得更加智能的过程。但通过 AI，计算机可以利用其知识，在无需人工干预的情况下执行任务。这两种技术之间最大的区别在于 AI 可以模仿人类智能，而机器学习只是基于模式识别来执行任务。
机器学习的类型
监督学习
监督学习是一种使用标记数据的数据科学，即通过与数据关联结果相关的特定信息来标记数据。而后通过训练模型，使其了解哪些特征或变量将预测分配给已标记输入数据的结果。然后，该模型可以使用输出数据中的信息来评估其自身的性能并预测结果。
监督学习涉及两个主要用例：分类和线性回归。分类预测类标签。例如，您可以根据购买行为等属性来预测客户是否会切断与品牌的联系。
线性回归则可预测数字标签，例如根据特定属性，您认为将从客户那里获得的预期收入。结果是一个数值变量，而不是一个条件。
监督学习需要可靠的机器学习模型来生成高质量的输出。了解机器学习模型如何影响计算机可以生成的不同输出类型。
无监督学习
无监督学习的起点是一组原始的未标记数据。无监督学习的主要目的是找到数据集和您赋予模型的任何其他数据点之间的联系。
此方法可以帮助您在数据或集群中找到基于关系的群组，这些群组可用于创建客户区段。
强化学习
强化学习首先将一组原始的未标记数据输入到模型中。然后模型会执行操作。根据该操作，模型会收到有关其操作是否正确以及该操作结果的反馈。接下来，模型将创建另一个操作并不断学习，直至实现模型优化。
强化学习有一个很好的真实示例，就是 Netflix 等电影流媒体服务上的推荐算法。该服务会向您展示您可能喜欢或不喜欢的电影，并根据您的“喜欢”或“不喜欢”评价来确定是否应该继续推荐相同类型的电影。
机器学习的历史
尽管机器学习听起来像是新技术，但它已经诞生了几十年。我们今天所知的机器学习可以追溯到 20 世纪 40 年代。
20 世纪 40 年代
1943 年，Warren McCulloch 和 Walter Pitts 创建了第一个神经网络。它使得计算机无需人类交互即可相互通信。
20 世纪 50 年代
Alan Turing 创建了图灵测试，用于确定机器是否可以像人类一样行事。如今，研究人员仍在使用图灵测试来观察人类是否能够区分人类生成的输出和机器生成的输出。
20 世纪 60 年代
Thomas Cover 和 Peter Hart 发布了 K 最近邻 (KNN) 算法，这是最早可以从大量数据中识别模式的机器学习算法之一。
20 世纪 70 年代
Paul Werbos 在 1974 年写了一篇题为《反向传播的根源》的论文，为反向传播（一种使神经网络能够更准确地识别模式的技术）铺平了道路。
20 世纪 80 年代
基于解释的学习 (EBL) 使计算机能够根据数据进行自我分析和训练，并忽略不重要的数据。人工神经网络 NetTalk 还学习了英语文本的正确发音。
20 世纪 90 年代
1997 年，IBM 的超级计算机“深蓝”击败了一位人类国际象棋大师，震惊了世界。这向全世界证明，机器学习可以媲美甚至超越人类的表现。
21 世纪 00 年代
免费软件库Torch（现称为 PyTorch）成为世界上第一个大规模机器学习平台，使机器学习变得更加容易获取。在 21 世纪 00 年代，计算机还学会了如何通过深度学习“查看”文本和图像。
21 世纪 10 年代
谷歌开发了 Google Brain，一种可自动对物体进行分类的深度神经网络。Facebook、Amazon 和 Microsoft 也开发了机器学习模型。
21 世纪 20 年代
2022 年 11 月，OpenAI 的 ChatGPT 风靡全球。这项技术让机器学习和 AI 为普通人所用，他们能使用该技术完成生成求职信、撰写电子邮件等各种事务。
使用机器学习系统的好处
机器学习是一项有用的技术，可以帮助企业：
- 提高工作效率。 超过 80% 的员工认为 AI 可以提高他们的工作绩效。通过将通常由人类完成的任务自动化，机器学习可以提高组织的工作效率。
- 帮助客户。 公司使用机器学习来优化他们的产品，让客户的生活更轻松。事实上，如果有助于获得更好的体验，62% 的消费者愿意分享自己的数据。
- 减少人为错误。 机器学习可以自动执行容易出现人为错误和拼写错误的手动任务。这意味着您的组织可以利用更清洁的数据来获得更好的业务洞察。
- 提高可用性。 需要了解的是，51% 的消费者希望企业能够全天候营业。为您的企业实施机器学习解决方案，即可夜以继日地为客户服务。
- 消除风险。 违反合规性可能会给您的组织带来数百万美元的罚款和业务损失。幸运的是，机器学习遵循预先确定的规则，可以帮助您大规模保持合规性。
- 减少重复性任务。 机器学习可以自动执行繁琐的任务，例如数据输入，让您的员工可以专注于更有价值的任务。事实上，68% 的员工希望采用更多基于 AI 的技术来帮助他们执行任务。
- 揭示洞察。 机器学习可以揭示人类大脑无法想象的洞察。
机器学习算法的弊端
使用机器学习系统也存在一些弊端，包括：
- 所需的数据量。 机器学习模型通常需要大量数据才能产生效果。
- 数据集的大小。 数据集的大小和质量是决定模型好坏的两个重要因素，拥有的数据越多，准确标记数据以用于监督学习方法所需的时间就越多。
- 组合数据类型。 您需要考虑需要添加到数据集中的不同类型的数据，以使模型变得强大，因为您正在教机器以人类的方式做出决策。
- 可能的偏见。 机器学习的另一个弊端涉及道德问题，尤其是在深度学习方面。许多此类模型并不分享它们是如何做出决策的，所以您并不能确切知道它们在决策中使用了哪些因素。该模型的好坏取决于您输入的数据，但您仍然可能不知道该模型会注意到哪些关系，以及它们在道德上是否公平。
- 可能的不准确之处。 务必记住，尽管机器学习比人类输出更高效，但它并不是绝对正确的。如果您的数据或逻辑存在不准确之处，机器学习模型也会受其影响。
- 成本。 如果您想为组织创建自定义的机器学习解决方案，则需要聘请数据科学家来构建和维护这些模型，这会产生相关的成本。平均而言，组织使用模型前五年的花费为 60,000 至 95,000 美元。不过，选择 Adobe Sensei 等解决方案可以让组织抵消其中的许多成本。
机器学习并不完美，但组织可以通过针对适当的场景选择适当的机器学习模型来克服许多不利因素。
企业如何使用机器学习
在很多情况下，实施机器学习算法都有助于简化和优化组织的资源。一种常见的情况是，大数据的数据量超出人类的筛选能力，但其中包含可以为公司决策提供信息的重要信息。
这种好处并不是科技公司专享的，全球 68% 的公司使用机器学习，而且这个数字很可能还会增加。由于机器学习非常有益，因此正在被不同的行业所接受。
医疗保健业
医疗保健公司使用机器学习，在遵守数据保护法的同时处理大量患者数据。例如，一些组织使用机器学习来提高诊断成像的准确性，从而及早检测出疾病。此外，它还有助于检测欺诈、发现错误和个性化治疗。
制造
越来越多的制造商正在采用机器学习来进行更智能的预防性维护。制造商不需要因维护尚不需要维护的机器而浪费时间和金钱，他们可以使用机器学习分析数据趋势并优化需要维修的机器。
但这并不是制造商使用机器学习的唯一方式。他们还利用这项技术来管理其设施内的半自动和自动车辆。
娱乐
您有 Netflix 帐户吗？如果有，则您已经看到过机器学习的实际应用。该流媒体服务使用机器学习来个性化缩略图、推荐电影和节目以及优化流媒体质量。
市场营销
假设您的营销团队正在审查来自不同客户区段的新数据。面对客户的不同属性，很难进行分类以识别表现更优异的区段，或者很难确定客户区段 A 与客户区段 B 相比的偏好特点。
考虑到可用的数据量，您的营销团队不太可能依靠脑力来处理所有数据，更不用说收集任何有用的洞察了。在这种情况下，机器学习可以比人类效率更高，而且通常效果更好。
使用机器学习自动化可能会得出您的团队依靠自身力量无法找到的预测洞察。
财务
机器人顾问在金融界越来越受欢迎。例如，Wealthfront 等服务使用机器学习和 AI 为其用户实现投资组合管理自动化。这可以减少金融公司在管理客户投资上花费的时间，与此同时，客户仍然能够享受到托管投资的好处。
通过机器学习提供非凡的客户体验。
需要通过机器学习 (ML) 改进分段和个性化？Adobe Real-Time CDP可助您一臂之力
