情节概要：虽然我们已经介绍了不少使用和实施人工智能系统的公司，但我们很少在幕后与向公司提供人工智能相关服务的公司或顾问合作。在本周的节目中，我们采访了机器学习顾问查尔斯·马丁，他是一名数据科学家和机器学习专家，曾为eBay、GoDaddy和Aardvark等公司的机器学习系统提供自由咨询。在这次采访中，Charles谈到了他认为在商业环境中已经成熟的人工智能领域，以及他认为在努力实现对他们有用的系统之前，企业在哪些方面会犯人工智能“错误”。
专门知识：机器学习与数据科学
识别简讯：Charles Martin是机器学习、数据科学和软件开发方面的自由顾问。他在芝加哥大学获得了理论化学博士学位，是全国两名国家科学基金会成员之一。他曾在GoDaddy、Aardvark(谷歌)、eBay和贝莱德等公司从事机器学习(ML)系统的生产工作。2011年，他利用机器学习帮助Demand Media成为自谷歌以来首宗10亿美元的IPO。他拥有超过15年的商业数据科学、软件工程和机器学习经验，是web、面向对象和数字编程的完整堆栈开发人员。
当前的关系：计算咨询公司的首席数据科学家
商业中的机器学习趋势
在90年代末当互联网出现了正式，像谷歌和雅虎（和其他几个人）公司分别提供了一些新的东西- 广泛的搜索引擎。Though he’d had previous experience working with early machine learning systems, Charles Martin “cut his teeth” doing machine learning at eBay, where one of the primary uses of search is to find what’s most relevant to the user based on their past search queries and purchases. As a consultant in the machine learning industry today, Martin is starting to see more companies identifying search as a tool that they need as part of their online presence, whether it’s Walmart.com imitating Amazon or a new kind of customized engine, like one specifically for auto parts (for example).
任何一个优秀的搜索框，需要机器学习和正确的算法，关键是让人们实际使用的平台。“这不只是要找到数据的见解;你想弄清楚如何以显示正确的信息，但没有这么多，它变得陈旧和不那么随意，它看起来像是垃圾邮件，”马丁说。这是即使在手机越来越普及，它只能在同一时间显示搜索屈指可数。谷歌的对搜索引擎领域的垄断地位，像搁置了一段时间。
“当我在易趣，有一种说法，‘没有谷歌的产品’......它像一个垄断;你不能经营企业，你有一个供应商或一个其他供应商的控制，你......所以在开发外部资源为（更好的搜索引擎），一个真正的兴趣。”
查尔斯提到亚马逊弹性搜索，这（虽然高性能）没有用他的话说机器学习和尖端水平无非是一个“查找表”。“它没有强化学习反馈回路建立一个搜索平台，人们期望的那样，”他说。使用移动设备或者语音搜索时，因为没有像目前的灵活性，进入复杂的查询智能发动机系统是更为必要。
在一个设计良好的搜索系统中，用户需要能够输入信息，系统需要能够从您所做的事情中学习，并将这些信息与类似用户的行为联系起来;然后，系统需要提供个性化的结果信息和适当数量的多样性，这是一个复杂的问题，远远超出了统计范围，进入了处理(和细化)偏见的领域。像亚马逊和Netflix上的推荐系统一样，越来越多的商家希望能够向顾客推荐产品，因此对它们的需求也越来越大。Martin指出，构建这些系统的固有挑战是，它们必须是特定于客户和业务的。
当查尔斯曾在eHow，他的团队使用机器学习弄清楚如何让搜索引擎成为一门科学。“我们能够进行逆向工程的搜索，找出什么人正在寻找，预测他们的搜索需求，”查尔斯说。“如果你知道什么人正在寻找，那么你可以运行前，创造的广告。”成功的等式的另一部分是产品推荐系统，这也是查尔斯在eHow制作。
“人们会在每次进入谷歌，你会得到不同的结果时搜索很随意的事情在谷歌和得到不同的结果，一个典型的混沌系统......，而这将倒入eHow，我们有一个推荐，可以找出人们真正想知道，”马丁说。通常有一个占主导地位的事物或搜索结果中，人们希望查尔斯说，但有人搜寻需要或使用各种不同的术语和短语，这就是为什么它是很难获得主搜索相关的愿望。
另一个机器学习趋势马丁被看到的是图像识别的崛起，在很大程度上要归功于Facebook上的研究工作。“我有一个客户谁建议他要拍一个约会网站，并希望（系统），以能够识别种族的照片，所以一下子图像识别和分类正在与推荐系统混杂，”查尔斯说。
很明显，“大家伙”正在推动其他企业有兴趣在实现发展趋势。“消费者体验变得如此之好，企业正试图在内部复制本，或为客户伟大的人，我们对谷歌，Netflix公司，亚马逊等，”马丁说。他指出，这些想法被投个别产品经理和副总裁，而不是由那些板房。
“人们在日常活动中都能看到这种情况，比如在手机上使用Siri或Facebook，他们意识到‘作为一家公司，我们为什么不能这么做?’”
我们如何公平竞争?
如机器学习系统领域的顾问，马丁在如何获得创建和一系列的企业实现这些系统独特的“幕后”的观点。一旦头脑风暴过程中绘制蓝图已经发生，马丁的工作作为一个机器学习顾问是设计和建立最终的机器学习产品工作演示。通常期望的是，如果一个企业的数据和思想准备来了，马丁和他的团队可以得到一个初步演示了在三个星期内，可在三个月内得到工作演示来管理，并在6发起最后的作业系统八个月了，虽然像eBay的地方可能采取由于规模的两年。
开源机器学习工具的发展已经开始转向从只有几个到更多的企业谁是好奇它如何与或帮助满足企业目标相一致的手里什么曾经访问。马丁描述了他作为行业的顾问工作怎么也发生了变化：
“我不得不利用高校的代码来执行（机器学习系统）10年前......如果我想要做的机器学习，我不得不建立自己的支持向量机;现在，你有公司提供相当稳定的开源技术，比如Python和火花......他们是简单的，但成为企业更容易获得。”
查尔斯认为，有一项中型和使用机器学习大企业，但激进的变化在这些系统是如何运作的巨大兴趣，并正在建造需要的战略和心态的剧烈改变。建筑机器智能的一个部门，与公司内部的分工变得越来越重要，因为是具有领导能理解的机器学习技术的潜力。
的第一件事情，马丁认为是为了发生机器学习真正腾飞的主流业务是机器学习技术的会聚到一些平台的稳定性。“人们必须弄清楚什么平台上使用。There have always been products like Oracle that were offered internally but no one knew how to use it because it was buried inside a database…the industry has to start stabilizing on the stacks that they use i.e. is it going to be Spark, Python (what TensorFlow is based on), etc., and I don’t think it’s happened yet,” says Charles.
人们希望，马丁说，是的其中一个平台将最终成为标准，这将有如何使用该技术部署系统和谁还会来的顾问和培训员工。Of course, with the billions of investment money pouring into the machine learning industry by the likes of Elon Musk, Google, Facebook, and other big names, it’s almost inevitable the industry will continue to see big changes in new technologies and a more radical restructuring of industries.
图片来源：查尔斯·马丁
