机器学习是每个CXO在这个时候的想法。我们都听过并测试过许多机器学习的用例，它们跨越了不同的领域。我想在这篇博客里集中谈一点，那就是我们看到根据需要解决的问题的类型，出现了两种截然不同的机器学习解决方案，我将详细描述这些我称之为"宏观建模/预测模型即服务"和"微观建模/培训即服务"的方法。此外，我将强调技术主管在做出投资决策时需要注意的一些挑战。（今天我将介绍这些方法中的第一种，下周我将深入研究第二种。）

作为服务的预测模型宏建模

当谈到机器学习时，生态环境大数据，我想到的一些明显的用例是自动车辆和机器学习驱动的翻译系统。这些可以被描述为由预测或机器学习技术驱动的通用系统。让我们看看这些数据是如何生成和使用的。

挑战1

首先，我们讨论的是一个系统，它经过大量数据的训练，以便在许多不同的情况下得到正确的结果。例如，丰田表示，他们需要88亿英里才能实现安全的自动驾驶汽车。同样的情况也适用于图像识别，公共图像数据集包含超过1亿张图像（雅虎等公司使用的真实内部数据集要比这大得多）。

建立通用（预测）模型需要大量的数据，因此你有权使用这些数据。

挑战数字2

我们需要多少智能通用系统？今天，我们有许多团队专注于自动车辆或图像分类，甚至翻译系统，但是，我们这个星球上需要多少这样的系统？如果一个自动驾驶系统的效率足以击败竞争对手，大数据开发平台，你可以预计，网站自助建站系统，将有10个左右的系统来装备地球上所有的汽车。我们希望这些系统在城市、农村、白天和晚上都能正常工作，等等。生产商将在传感器的价格和可靠性上展开竞争。

翻译系统，甚至图像识别系统也是如此。这是一个赢家通吃的市场。如果我们把它推向极限：地球上需要多少真正的人工智能系统？

挑战3

与预测和机器学习一样，它几乎从来都不是一个"火与忘"的活动。当出现新数据或特殊罕见情况时，您的系统需要不断更新，这意味着您需要将它们连接到数据收集的连续馈送以进行持续更新和监控。

这种持续改进功能当然会产生成本影响，这将推动持续学习或增量学习的需要。反过来，这也将用于从通用预测模型到特定环境下的特定模型。

技术挑战

当然，这些系统可以传输的事实很重要。在云上有这样的系统作为restapi是很好的，淘客返利系统，但这意味着它们将只在连接的环境中可用，这将解决很多用例，但不是所有用例。通常情况下，即使没有连接，自动驾驶汽车也必须能够运行。

在通过服务共享的车型上，数据与大数据专业，速度和并发性非常重要，以及交换数据的安全性和隐私性。这些技术挑战已经在SAP列奥纳多机器学习基金会基于云铸造的SAP云平台上解决了。最后，我们讨论了非常大的数据量和非常大的计算能力，这直接影响了操作成本。事实上，我们可以期望在未来这个财务等式上有更多的改进（比如引入asic），甚至在纯电力消耗上，更不用说数据流量了。

请继续关注。下周，我将讨论"作为服务的培训–微观建模"