1.预测分析的一个新维度
在当今的经济中，所有业务都在变成数据业务。 在 Forrester Consulting 代表英特尔开展的一项研究中，98% 的组织指出分析对于推动业务重点非常重要，不过还是有不到 40% 的工作负载是在利用高级分析或人工智能。 机器学习为公司提供了一种从数据中提取更大价值以增加收入、获得竞争优势和降低成本的方式。
机器学习是预测分析的一种形式，它将组织提升到商业智能(BI)成熟度曲线上，从过去对描述性分析的完全依赖转向包括支持前瞻性的、自主的决策。这项技术已经存在了几十年，但人们对新方法和新产品感到兴奋促使许多公司重新审视这项技术。
基于机器学习的分析解决方案通常实时运行，这为 BI 增加了一个新维度。虽然旧模型将继续为高级决策者提供关键报告和分析，但实时分析会为“一线”员工提供信息，以逐小时提高绩效。
在机器学习（人工智能的一个分支）中，系统被“训练”以使用专门的算法来研究、学习并根据大量数据来做出预测和建议。针对新数据的预测模型可以在没有人为干预的情况下进行调整，从以前的迭代中学习，以产生更加可靠和可重复的决策和结果。
随着时间的推移，这种迭代使系统变得“更智能”，越来越能够发现隐藏的洞察力、历史关系和趋势，并揭示从购物者偏好到供应链优化再到石油发现等方方面面的新机会。最重要的是，机器学习使公司能够利用大数据做更多事情，并整合物联网分析等新功能。
机器学习是一种目前可用的功能强大的分析技术。机器学习有许多新的商业和开源解决方案，以及为开发人员提供一个丰富的开发生态系统。 您的组织很有可能已经在某处使用该方法，例如垃圾邮件过滤。更广泛地应用机器学习和分析可以让您更快地响应动态情况，并从快速增长的数据宝库中获得更大的价值。
2.预测分析无处不在
基于机器学习的高级分析越来越受欢迎的一个重要原因是，它几乎可以为每个行业带来商业利益。在需要定期调整大量数据和预测模型的地方，机器学习是有意义的。
为书籍、电影、服装和许多其他类别的产品提供推荐是机器学习的一个常见例子。但是还有很多例子。
在零售业，机器学习和 RFID 标签极大地改善了库存管理。简单地跟踪一个商品的位置条目是一个巨大的挑战，将实物库存与书籍库存相匹配也是一个巨大的挑战。通过机器学习，用于解决这些问题的数据还可以改善产品的植入式广告，影响客户行为。 例如，系统可以扫描实体店的异地库存以重新定位或识别畅销的商品，并将它们移动到店内更显眼的位置。
当机器学习与语言规则相结合时，公司可以扫描社交媒体以确定客户对其品牌和产品的评价。 它甚至可以找到可能表明对特定产品感到兴奋或沮丧的隐藏的潜在模式。
该技术已经在涉及传感器的应用中发挥着至关重要的作用。机器学习对自动驾驶汽车也至关重要，因为必须实时协调来自多个传感器的数据，以确保做出安全的决策。
机器学习可以帮助分析地理数据以发现可以更准确地预测特定地点是成为风能或太阳能发电位置的可能性的模式。
这些只是机器学习的许多实际例子中的几个。这是一项行之有效的技术，目前正在带来有价值的结果。
3.独特的竞争优势
与传统分析相比，机器学习可以更快、更轻松地解决问题和发现洞察，从而为公司提供竞争优势。它特别擅长在三种情况下提供价值。
问题的解决方案会随着时间而改变： 通过社交媒体跟踪品牌声誉就是一个很好的例子。各个平台的人口统计会发生变化； 新平台会出现。诸如此类的变化会造成严重破坏，并迫使营销人员使用基于规则的分析进行不断的修订，以使用正确的信息找到正确的目标。相比之下，机器学习模型很容易调整，随着时间的推移可提供可靠的结果，并释放资源来解决其他问题。
解决方案因情况而异： 例如在医学中，患者的个人或家族病史、年龄、性别、生活方式、对某些药物的过敏和许多其他因素会使每个病例都不同。机器学习可以将所有这些因素都考虑在内，以提供个性化的诊断和
解决方案超出了人类的能力：人们可以识别很多东西，比如声音、朋友的脸、某些物体等，但可能无法解释原因。问题？变数太多。通过筛选和分类许多示例，机器学习可以客观地学习识别和确定特定的外部变数，例如，赋予声音其特征。（音高、音量、泛音等）
竞争优势来自于开发不依赖人类感知、描述、干预或交互来解决一类新决策的机器。这种能力为许多领域开辟了新的机会，包括医学（癌症筛查）、制造（缺陷评估）和运输（使用声音作为驾驶安全的附加提示）。
4.速度更快，价格更低
与其他分析方法相比，机器学习为 IT、数据科学家、各种业务部门及其组织提供了几个优势。
机器学习在处理新数据时是灵活的。基于规则的系统在静态情况下表现良好，但当数据不断变化或添加时，机器学习表现出色。那是因为它消除了不断调整系统或添加规则以获得预期结果的需要。 这节省了开发时间，并大大减少了对重大更改的需求。
从长远来看，机器学习的人员成本通常比传统分析要低。当然，在一开始，公司就必须聘请概率、统计学、机器学习算法、人工智能训练方法等方面的高技能专家。但是一旦机器学习启动并运行，预测模型就可以自行调整，这意味着用于调整准确性和可靠性的人数将更少。
另一个优点是可扩展性。机器学习算法在构建时考虑了并行性，因此可以更好地扩展，这意味着最终可以以更快的速度解决业务问题。 依赖人类交互的系统也无法扩展。机器学习最大程度地减少了不断地让人们做出决定的需要。
最后，与其他类型的高级分析相比，机器学习应用程序的运行成本更低。许多机器学习技术可以轻松扩展到多台机器，而不是单个昂贵的高端平台。
5.机器学习入门
成功推进机器学习始于识别技术可以产生清晰、可衡量影响的业务问题。一旦确定了合适的项目，组织必须部署专家并选择合适的技术来教系统如何思考和行动。这些技术包括：
监督学习: 给系统提供输入和输出示例，然后要求形成行为的一般规则。示例：大多数主要品牌的推荐系统都使用监督学习来提高建议的相关性并增加销售额。
半监督学习: 系统通常会得到少量标记的数据(带有“正确答案”)和大量未标记的数据。此模式与监督学习具有相同的用例，但由于数据成本较低，因此花费较少。当预计输入数据会随时间变化时，例如商品交易、社交媒体或与天气相关的情况，此模式通常是最佳选择。
无监督学习： 在这里，系统只是检查数据以寻找结构和模式。此模式可用于发现原本无法发现的模式，例如可以推动产品位置变化以增加销售额的店内购买行为。
强化学习：在这种方法中，系统被放置在一个交互式、不断变化的环境中，被赋予任务并以“惩罚”和“奖励”的形式提供反馈。这项技术已成功地用于训练工厂机器人来识别物体。
无论您的项目是什么，组织要想在分析中有效地利用机器学习，就必须掌握这些基本的实践。
6.英特尔：功能强大的处理器只是一个开始
英特尔帮助公司将机器学习应用到需要高速性能的实际应用中。它采用包括处理器、优化软件和对开发人员的支持以及庞大的行业合作伙伴生态系统在内的系统方法来实现这一目标。
机器学习需要强大的计算能力。英特尔® 至强® 处理器提供可扩展的基准，英特尔® 至强融核™ 处理器是专为机器学习的典型的高度并行工作负载以及机器学习的内存和结构（网络）需求而设计的。英特尔硬件技术还将可编程的和固定的加速器、内存、存储和网络功能结合在一起。
此外，英特尔还提供软件支持，使 IT 组织能够有效且高效地从业务问题转向解决方案。该支持包括：
- 在英特尔至强处理器上优化的构建块的库和语言。其中包括英特尔® 数学核心函数库（英特尔® MKL）和英特尔® 数据分析加速库（英特尔® DAAL），以及面向 Python* 的英特尔发行版。
- 用于简化开发的优化框架，包括 Apache Spark*、Caffe*、Torch* 和 TensorFlow*。 英特尔同时支持开源软件和商业软件，只要最新的处理器和系统功能上市，公司就可以利用它们。
- 软件开发套件 (SDK)，包括英特尔® Nervana™ 技术、TAP 和英特尔® 深度学习 SDK。这提供了一套应用程序接口，因此开发人员可以立即利用最好的机器学习算法。
在优化方面，英特尔提供了多种方法。包括指导客户和供应商合作伙伴如何让他们的机器学习代码在英特尔硬件上运行得更快，以及总是更快地在芯片中实现一些学习功能。
最后，英特尔工程师一直在现场与 IT 和行业总管交谈，以深入了解基于机器学习的预测分析是如何解决现实世界的业务问题的。