机器学习在企业中的好处和潜在问题是什么？以下是我经常从商务人士那里得到的问题的答案。

首先，我要强调机器学习不仅仅是机器学习。它最终是让计算机像我们一样学习——通过尝试和错误，通过经验，而不是被明确地告知要做什么——这就打开了广阔的新的可能性领域。

两者都有！首先，这是一个惊人的机会-在未来，我们可以期待各种各样的产品和系统，随着时间的推移，随着人们使用它们，它们会自动变得更好。我知道这听起来像科幻小说，但我们已经在组织内部看到了这样的例子。

但是，与任何强大的技术一样，也存在滥用和滥用的可能性。机器学习涉及到将决策委托给机器，因此，大数据包括，重要的是要有强有力的治理，并确保人们始终牢牢掌控。

机器学习是我们用于任何类型的算法，可以根据数据自动更新自己。它可以是你在高中所学的各种统计数据的自动版本，也可以是基于更接近我们大脑工作方式的神经网络方法。

不涉及技术细节，机器学习通常通过算法试验和错误来"工作"，接收数据并获得更多的奖励"正确"的答案。

第一个大机会是生产力的大幅提高。无论什么地方，只要有一个复杂的、重复的决策作为任何过程的一部分，我们现在就有机会将其自动化。麦肯锡认为，在某些业务领域，如金融领域，263云通信企业版，70%以上的流程最终可以通过这种方式实现自动化。

例如，我们与一家大型化工公司合作，将机器学习引入到他们的财务职能中；具体来说，就是所谓的"发票匹配"。几年前，当他们第一次实施业务系统时，他们发送给客户的发票中只有40%能够与他们通过银行收到的付款信息自动匹配。所以，大多数情况下，参考号是不同的，im即时通讯云，或者一次付款有两张发票，或者一张发票有两次付款，等等，一个人必须介入并整理发生了什么事。

几年来，他们采取了一种基于规则的方法，并设法使匹配率达到70%。但通过机器学习，云免费，基于他们多年来收集的所有历史数据，我们能够将匹配率提高到94%以上。

令人惊奇的是，它仍在不断改进：任何时候出现异常，都会被踢到一个人身上，他知道发生了什么，然后这些知识又回到算法中，以便下次做得更好。这是一个很好的例子，说明随着时间的推移，随着人们的使用，由于机器学习，业务流程会自动变得更好。

我知道，与机器人这样的东西相比，发票匹配听起来可能不太令人兴奋——但这家公司拥有来自全球数百家实体的数十万张发票，他们真的很兴奋这种新方法能节省多少时间和金钱！这只是金融界几十个例子中的一个小例子，在一个典型的组织中也有几百个例子。

其次，这不仅仅是效率的问题，也是提高人类智力的问题。例如，我们可以为销售人员提供明智的指导：他们应该首先给哪些潜在客户打电话，谁最有可能购买？他们最感兴趣的产品是什么？这笔交易需要多长时间？最终，它是关于使用模式匹配来帮助所有销售人员成为组织中最好的销售人员。

最后，它不仅仅是关于利润-我们可以使用机器学习来让世界变得更美好。雨林连接就是一个很好的例子，它是一个非营利组织，致力于减少因非法采伐而造成的森林砍伐。他们率先使用"生物声学"监测：他们使用连接到太阳能电池板的老式GSM手机将森林的声音传送到云端。通过机器学习，他们现在能够检测到细微的声音变化，这表明伐木工人已经到达，例如改变模式的鸟儿鸣叫，这样他们甚至可以在点燃电锯之前提醒森林管理员。

好消息是，至少到目前为止，机器学习是为了取代工作，而不是取代工人。我们通常会发现，人们接受机器学习是因为它能摆脱他们工作中最无聊和重复的部分，这样他们就可以从事更有趣、更具战略性的工作，对我们来说，看到将受到负面影响的就业机会总是比想象由于这些新技术而创造的新就业机会容易得多。技术的历史表明，我们应该谨慎乐观——我们对采用这些技术的公司所做的调查表明，他们一般都在招聘新人，而不是裁员。

但当然，与任何新技术一样，这确实意味着一些员工需要适应。好消息是我们也可以使用机器学习来帮助人们。你知道当你在亚马逊上买东西时，上面写着"喜欢那个产品的人也喜欢这个产品"？好吧，我们在培训方面也做了同样的事情：利用我们所有关于员工的数据，我们可以做"像你这样喜欢这个培训课程的人也喜欢这个课程"或者"根据你的职业规划，下面是最值得推荐的下一步"

因此我们可以潜在地使用机器学习来缓和机器学习带来的变化。

我们显然需要大量的数据科学家来帮助创建和指导这些新算法。