机器学习应该注意的五大变量

围绕人工智能（AI）和机器学习（ML）的炒作已经达到令人难以置信的程度，有些评论人士称AI为第四次工业革命，其他人则称其为新电力。

我是这种理论的信徒之一。大量资金正被投入到AI和ML领域的公司里，因为它们有可能对大多数行业产生革命性的改变，即使不是所有行业。请看下图。

避免陷阱专注于真正的问题

这样重大的技术革命应该得到广泛而深入的融资，这可能为这个领域获得巨额投资提供正当理由。但我担心，许多企业家陷入了专注于AI基础设施的陷阱中即算法和平台而不是应用程序。

成功的公司通常是通过解决某个特定的用户问题开始的，并随着时间的推移不断进化，直到最终基于某个方案打造出更广泛的“平台”。最重要的是解决具体的业务问题，而不是技术本身的问题。但是，考虑到这种技术的外化，我们很容易被算法和模型所吸引，而忽略了这些应用。

那么，对于伟大的AI与ML创业公司来说，什么原因造就伟大？可以概括为以下几点：

1.消除或减少以前被认为难以实现自动化的领域的人类劳动；2.利用新的能力（此前不具成本效益的新产品和服务）来开发“白色空间”；3.通过将ML技术嵌入到应用程序中，使传统应用程序变得更有价值。

为什么要避免相同层次的ML平台？

你有没有注意到，机器学习平台似乎没有类别之分？这里有几个原因。像谷歌和Facebook这样的网络大公司不仅投资于AI和ML领域，而且采用开源工具和平台的策略。鉴于这些网络大公司可获得庞大的资源和专门的独特数据集，初创企业很难与它们进行竞争。如果你想要根据这些能力来区分你的创业公司，相对于那些大公司来说，你会面临巨大的劣势。

此外，广泛报道的数据科学人才短缺的问题也影响了客户利用平台和算法的能力。缺乏人工智能技术意味着客户没有能力构建自己的AI和ML，因此，拥有相同层次平台的初创公司最终会成为专业的服务角色，帮助每个客户定义并实现他们的具体目标。

企业家打造同层次平台的另一个重要方面，应该考虑到“市场化进程”的复杂性。不同的垂直市场可能有不同的购买行为，你可能需要通过不同渠道来解决不同的垂直问题。当然，在你选择垂直市场之前，你应该确保它能保证足够的规模和增长来支撑一个大企业。

测验行业

如果你的ML模型可以应用于多个行业，那么在你决定关注哪一个行业之前，你需要考虑以下几个变量：

1.部署成本 不仅要考虑客户花多少钱购买你的技术，还要计算他们将当前的解决方案变为新产品的成本。举例来说，如果中国的制造业工人每年能挣6000美元，而使用机器人代替这个工人的资本成本为4000美元，那么至少有6年的最低回报期（不包括运营成本）。这种情况可能对普通的工厂经理没有太大吸引力。

2.额外价值增加的额外价值超过成本开支，你的基于ML的软件还能提供什么价值？能提供更好的质量、提高客户满意度、减少错误、提高性能亦或是吞吐量等等？例如，在招聘方面，人们有偏见和偏好。因此，像Gild、Entelo以及TexTIo等初创公司都已经开发出基于ML的软件，它们可以在没有这些偏见的情况下自动雇佣员工。

3.监管/合规问题 是否有大量的繁文缛节可能会让你的产品的采用过程变得更复杂？一个明显的例子就是自动驾驶汽车。

4.潜在客户之间的目标矛盾AI和ML消除或减少人类劳动的规模，可能比任何现有技术都大得多，因此产生的阻力也要大得多。你的销售团队会因为你的新技术而丢掉工作吗？例如，IT外包公司的一个主要担忧是，由于“自动化”影响，按小时收费的维护工作减少了。

5.行业准备 有时候，由于极端的避险心理，一个行业还没有准备好接受新的解决方案。我们看到那些在激励措施上专注于工作时间而非效率的行业，也可能会因停工而受到惩罚。如果市场规模庞大且资本充足，那么替代策略或许是合理的比如Uber在全球范围内与监管和出租车工会大打出手。

总而言之，为了充分利用AI和ML带来的巨大机会，你应该：1.避免大型网络公司具有结构性优势的领域；2.让产品解决了用户的明显痛点，而且买方不存在内部矛盾；3.根据行业准备采用AI和ML技术的意愿程度，选择一个目标行业，而且这个行业不能存在重大的监管障碍。