【51CTO.com快译】在过去的几年里，许多公司获得了采用数据驱动型方法带来的好处。数据2.0战略将由新的人工智能技术驱动，比如深度学习、强化学习和贝叶斯机器学习。
深度学习是***进的人工智能方法，涉及机器翻译、计算机视觉和自然语言处理。不使用这些技术会影响收入，并限制最终用户的体验。
使用深度学习的方法可全面解决问题。换句话说，我们让算法而不是人类来决定什么是解决问题的要点。这种方法简化了系统，并让数据可以做决策。更重要的是，它***限度地减小了人类带来自身偏见的可能性。
1. 深度学习很深奥，要招聘合适的人员。
深度学习是人工智能这个更广泛的领域的分支。
深度学习是个庞大的研究领域。如今许多公司使用的机器学习大多可能基于广为人知、较为悠久的算法，这些算法可使用scikit-learn之类的开源工具轻松构建。然而，深度学习还没有达到那么成熟的地步。谷歌员工François Chollet开发的Keras、Facebook的PyTorch和谷歌开发的Tensorflow，诸如此类的工具已让深度学习更普及开来。
虽然让简单的深度学习例子切实有用比较容易，但改变行业规则的重大结果却需要我们所说的“魔法”。深度学习的秘诀在于，***进的结果需要大量的计算资源、深入了解训练技巧以及特别熟悉某种特定的方法。
解决办法：招聘构建过深度学习系统，而不是只会复制粘贴的研究人员。这些人不需要都有博士学位，一些***的机器学习研究人员连大学学位都没有。
2. 可解释性重要吗？
深度学习中的可解释性是指明白为什么系统做出某个决策。这是人工智能界的一个热门话题，具体归结为企业的使用场景和风险容忍度。对于制药公司来说，明白算法为什么做出可影响我们生活的决策是个好想法。对于客户流失预测来说，如果系统能大大降低流失率，可解释性可能不是很重要。
正如Facebook的人工智能研究主任Yann LeCun在《人工智能大辩论》中所说：“如果你向一家公司展示两个系统，一个是表现还行的可解释的简单系统，另一个是表现更好的较复杂系统，公司每次都会选择后者，每次都是如此。”
我在自己的工作和研究中经常听到的就是所谓的“黑盒子谬误”（black box fallacy）。数据科学家常常将神经网络称为无法理解的黑盒子。虽然解释结果不如更传统的方法那么清楚，但是我们开发出了许多方法来探究这些网络的内部。这应该不会阻止公司采用深度学习。
解决办法：确定可解释性在贵公司带来的实际影响。另外构建简单的模型，以便有一个基准。如果你的深度学习方法好得多，它可能会提供更引人入胜的商业理由。
3. 你需要更多的数据和GPU。
数据和计算能力是当今深度学习切实可行的两大原因。GPU将计算时间从几星期缩短到几小时。TPU的速度更快。要是没有这些GPU，你不可能足够快地训练这些模型、获得显著成效。贵公司可以自行购买GPU，也可以向亚马逊网络服务（AWS）或谷歌云等提供商租用。
深度学习方法需要大量数据才能发现不太明显的模式。如果没有足够的数据，这些系统注定会失败，或者给人以一种性能良好的假象（即：过度拟合）。
解决办法：收集你所有产品的原始信号。别害怕在GPU上花钱。
4. 人工智能战略的目标不够远大
为什么深度学习因大数据而变得更有意义？
手动特征工程是指人类选择对算法来说很重要的东西。由于这个环节牵涉人类，这些系统的性能受制于人类的创造力。一种更好的方法是，使用来自贝叶斯机器学习的技术将人类的直觉添加到系统中。
数据科学团队认为深度学习对于大多数问题而言大材小用。虽然神经网络无法解决所有问题，但它们是***进的方法，涉及计算机视觉、音频和自然语言处理。这种思维人为地限制了系统的性能。如果你知道汽车比马快，为什么还要继续骑马？
解决办法：使用较悠久的机器学习方法构建强大的基准。如果深度学习能超过这个基准，就使用深度学习。这让你得以量化这些技术相对于更简单的方法所提供的价值。
结束语
深度学习已离开了学术界，准备改变公司企业。别害怕负责任地使用深度学习。不正确的采用会导致数据出现偏差，因而会损害贵公司和最终用户。深度学习有助于将人类从机器学习这条环中解放出来，***限度地减小系统出现偏差的可能性。构建任何机器学习系统时，始终恪守伦理道德很重要。
原文标题：4 Reasons Why Companies Struggle To Adopt Deep Learning，作者：William Falcon
【51CTO译稿，合作站点转载请注明原文译者和出处为51CTO.com】
