如果一个人对机器学习存在许多误解，可能会对其职业生涯和声誉造成负面影响。

Forrester Research近期发布了一份题为《破解机器学习七大迷思》的报告。报告中指出：“不幸的是，一些对企业机器学习项目做出关键决策的高管普遍存在对机器学习的误解。”

当企业高管和经理讨论AI及机器学习时，他们有时会犯一些错误，这些错误反映出他们对这一领域的实际了解程度。

卡尔森表示：“当产品负责人声称‘我们正在使用强化学习，因为我们将用户反馈纳入趋势模型’时，这可能并非好事。”他曾与其他分析师一起参加过研讨会，听到有人认为“在无监督学习中，不再需要人工干预或培训”，这种观点显然不正确。

ABI首席分析师苏连杰表示，根据他的经验，多数高管对机器学习的基础知识和“垃圾进，垃圾出”的原则有一些基本认识，但他们大多认为机器学习模型是黑盒子，并且需要大量数据。他补充道：“我认为随着其他机器学习算法变得越来越流行，这种看法会逐渐改变。”

教育是解决这一问题的关键。决策者究竟应该在哪里学习关于机器学习的真实情况呢？尽管Forrester的卡尔森认为两者的交集已经消失，但从业人员和企业层面的选择仍然很多。

“我认为我们需要做最多的工作是帮助业务人员充分了解这项技术的实际应用价值，”卡尔森说。

以下是导致误解的一些因素：

术语不够清晰

机器学习和人工智能的术语有时让人困惑。人们有时将人工智能解释为像人一样思考的机器，而将机器学习解释为像人一样学习的机器。

苏连杰表示：“数据科学家并不擅长解释这些术语。”他认为部分责任在于分析师，因为他们经常使用夸张的语言介绍新技术。

不切实际的期望

人们普遍认为AI是一种强大的工具，这导致他们认为AI可以做任何事情。然而，不同的技术适用于不同的应用场景。例如，深度学习并不一定比其他形式的机器学习更好。

卡尔森指出，从一开始就追求用虚拟助手完全取代呼叫中心员工并不是一个好的起点。正确的做法是逐步引入技术，以增强现有系统。

无法理解机器学习的概率性质

传统软件是确定性的，即给定的输入会产生确定的输出。但机器学习具有一定的误差率。

卡尔森说：“在机器学习的世界里，你可能永远无法准确预测未来的结果，因为信号可能不在现有的数据中。”

忽视关键细节

一家发动机制造商希望预测何时需要更换零件。尽管公司拥有大量发动机和故障数据，但所有数据都来自实验室。实际运行中的发动机并没有安装传感器。因此，该模型无法按预期部署。

卡尔森指出，在组织内部，实际上很少有人监督数据工程方面的事务。

无法理解机器学习成功的含义

行业专家对机器学习和AI的期望往往过高。虽然100%的准确性听起来很合理，但在某些情况下，追求更高的精度可能代价高昂。

苏连杰表示：“在某些情况下，降低精度是可以接受的，尤其是在边缘设备上部署模型时。人类本身也不总是那么准确。”

科幻和广告的影响

科幻小说和广告让人们相信，某些情况下AI和机器学习应该达到非凡的效果。

卡尔森说：“当提到机器学习或AI时，人们会自动认为应该模仿人类的行为，但这往往会忽视这项技术的巨大潜力。机器学习确实擅长处理大规模数据，并进行人类难以实现的大规模分析。”

牢记七点建议

1. 了解机器学习的功能和限制，并在一定程度上了解不同技术的应用场景。这样可以避免说出技术上不准确的内容。

2. 不同的机器学习技术适用于不同的场景。例如，图像分类与在数据中寻找新信号是不同的任务。

3. 机器学习不是一个不断累积的技术。模型会随着时间推移而“漂移”，需要定期调整和重新训练以保持准确性。

4. 机器学习的准确性与实际数据相关。除了考虑潜在错误的风险，还应关注数据随时间变化的情况。

5. 上下文至关重要。AI和机器学习在不同上下文下的表现可能不同。例如，银行贷款决策需要考虑到特定情境下的风险和偏见。

6. 机器学习是硬件和软件的结合体。软件性能取决于硬件的支持。

7. 基于规则的传统AI和基于机器学习的AI将在很长一段时间内共存。某些任务仍需要确定性的决策，而非概率性的决策。