如今，机器学习(ML)和人工智能(AI)成为网络中的新角色。最常见的故事情节是算法将驱动行为。理论上说，它们代表着供应商转移“堆叠”的另一个合乎逻辑的机会。

尽管如此，算法是(至少在最初阶段)提供一个专有的制造解决方案更好的手段，但它们并不是朝向自我驱动网络的唯一有利可图的方面。

机器学习基本上是系统可以学习新行为，而不被程序员明确告知这种行为应该是什么的想法。这种行为是用模型来表示的，它们本身就是检查数据的结果。在LinkedIn上，人们可能看到数据科学家发现通过算法找到了表达数据(及其模式)的方法。

机器学习的价值元素是什么?

这里最明显的答案是算法中会产生价值。简单地说，谁能发现在数据海洋中找到原因就能获利。

基本上，组织将分为两个主要阵营：一是采用算法提供竞争优势的机构，二是那些将机器学习视为真正只是使事情变得成本更低并简单快乐的工具。取决于那些更适合组织的目标，其价值所在的答案将不同。

每个人都会直观地了解更好的搜索和标注算法的作用，提高谷歌的能力调整其结果，定位内容和营利广告的能力。大多数人也明白，算法可以帮助大型零售商提出购买建议并调整定价以最大化利润。有些人意识到游戏公司跟踪游戏和购买行为，然后使用机器学习来诱使玩家购买他们的应用购买计划。

但不是每个用例都提供了业务和算法之间的直接链接。事实上，对于绝大多数的公司和用例来说，机器学习更可能是一种工具而不是核心能力。

消费机器学习

如果机器学习被降级为配角，这意味着它将不再是公司必须掌握的算法。相反，作为更广泛的解决方案的一部分，算法将会被采购。而且，如果做的很好，实际的算法将类似于重要的源代码。

当然，算法并不是推动最终解决方案行为的因素。该模型的算法产生将意味着广义规则成为情境，从而实现更有效的行为模式。

事实上，在网络环境中，如果机器学习的目标是将工作流程自动化作为自适应或预测操作的一部分，则通用算法只是构建块。工作流不是普遍存在的，这意味着广义的构建块可能仅占解决方案的80%。

数据也很有价值

如何研究一个算法?在机器学习中，人们训练它。这是数据来源的地方。如果被训练的行为在所有或甚至许多环境中是通用和一致的，那么数据可以来自许多地方，并作为网络解决方案的一部分聚合起来。

但是，如果行为特别是基于实际部署的设备以及周围的基础设施、应用程序和工具，那么广义算法必须被送到高度语境化的数据中。

在这种情况下，数据与算法几乎一样重要。事实上，没有数据策略的公司会发现机器学习和人工智能的发展趋势特别残酷。想象一下，内部销售通过机器学习实现自动化的努力，结果却发现它需要大量的基础设施进行大规模的RIP和替换。

一切都是传感器，应该是流媒体

在过去的几年里，网络中流媒体数据得到了强有力的推动。事实证明，解决数据分发对于迁移到事件驱动的基础架构至关重要。

大部分同样的工作将很好地转化为机器学习发挥作用的世界。需要收集培训数据的方法。这不是一次性的事情，它必须是一个持续的进化。如果你不在基础设施的基础上更新模型，就会发现像自动化这样的东西只是加速了可以自己动手的速度。

底线

如果你听到机器学习的警告，但不考虑如何随时间动态地收集和使用数据，那么未来几年将是相当令人失望的。如果希望在自动化过程中避免事件驱动的中间步骤，可能会在将来的状态中丢失数据的价值。

虽然算法很重要，但是它们不会自己做这些工作，它们是一种手段。人们应该规划现在如何思考更广义的规则集。

聪明的组织会意识到这些数据的价值。这开辟了传统网络未见过的货币化机会。

本文转自d1net（转载）