基于云的機器學習和深度學習一再被誤用。這多半都可以輕松解決，當然，基于云的機器學已得到了廣泛的使用。但你要用得巧妙，用得恰當。

企業不斷犯這三個錯誤：浪費資金，降低應用程序性能，還有成效不佳。

我非常喜歡基于云的機器學習和深度學習，以及一般意義上的人工智能。畢竟，如果你無法想象這樣的場景——與能回答問題且執行命令的具有人工智能的實體展開對話，你就不能成為一名極客!

話雖這么說，我也發現，基于云的機器學習和深度學習一再被誤用。這多半都可以輕松解決，當然，基于云的機器學已得到了廣泛的使用。但你要用得巧妙，用得恰當。

以下是我看到的三個反復出現的錯誤。

1.沒有足夠的數據來為知識模型提供訓練

沒有經歷過任何學習的機器學習是毫無價值的。機器學習的真實用例是將算法應用于大量的數據，并且使某些模式顯現出來，這些模式成了用于基于機器學習的應用程序的培訓。

所以，沒有數據就談不上學習。雖然機器學習應用程序最終會收集數據并變得更加智能，但它需要一個出發點，在這個出發點，數據多得足以教會系統如何思考。

例如，有一些機器學習系統運行在醫院中，這些系統用魔法般的手段向員工透露你住院期間死亡的可能性。如果連100,000個數據點都沒有，你可以指望該可能性為0或100%——這毫無幫助。

2.在不需要機器學習的地方使用機器學習

這是我見過的最常見的失敗事項——因在應用程序中使用機器學習而導致公司在開發成本上增加兩倍或三倍——完全平白無故地。機器學習系統在很多用例中根本沒有發揮真正的優勢。

程序邏輯在大多數情況下都管用，因此為會計系統或調度系統構建知識庫就太過分了。更糟糕的是，由此產生的應用程序效率要低得多。

3.不了解性能影響

在應用程序中嵌入機器學習系統有時可以使它們對業務更有價值。但這也可能會使應用程序的性能大打折扣。

試想一下：嵌入式機器學習服務在跨數據運行算法時可能會有幾秒的延遲。如果該應用程序要近乎實時地提供響應，由于延遲響應導致的生產力損失，機器學習的一切價值都會迅速地消失。