來源 | HackerNews
編譯 | 曉查
不溫不火的機器學習忽然躥紅業界，也就是這兩三年的事，於是不僅傳統行業，連風光一時的網際網路公司也開始疑惑：我們要不要搞機器學習？是不是也應該弄個人工智慧研究院？機器學習，或者AI，到底能為公司帶來什麼？
矽谷創業加速器YC旗下的技術創業者社群HackerNews裡，就有人提出了這個問題：AI，或者機器學習在哪裡真正為你的公司帶來了價值？
來自科技巨頭、創業公司甚至傳統行業的使用者都給出了自己的回答，正反兩面的聲音都有。
AI100精選了以下9條：
altshiftprtscrn的回答
我在製造業工作。我們有一個聲學顯微鏡用於掃描零件，目的是識別其內部缺陷（通常是被困在環氧樹脂裡的顆粒）。通過這些顆粒的大小、形狀、位置、數量很難定義什麼裝置是次品的。我們的最終產品測試可以告訴我們，產品在電氣測量意義上的“好”和“壞”，但是該測試不能應用在我們關心的辨認缺陷的裝配階段。
我最近演示了一個非常簡單的裝袋決策樹模型，“預測”掃描零件在下游測試失敗的準確性有95％。我的確沒有在機器學習領域有一個很大的背景，我是隻是應用了這些原理，而並不理解它們，這麼操作是完全有可能的。（是的，我真的感到非常內疚。）
實驗結果說明了，如果在出現問題時能夠早點發現，那麼每年可以減少100萬美元的殘次品成本（若該模型被批准用於生產使用）。這只是一個產品，在一個工廠，在一個公司，而世界各地有100多家這樣的工廠。
經驗促使我回到學校更有條理地學習這個東西。在複雜的製造、供應鏈環境中使用機器學習具有巨大的價值（換而言之，它可以避免浪費）。
sidlls的回答
我去年開發的整個產品，其實可以被精簡為一個基本的統計問題（例如比例、概率），但是由於這一波炒作，我們建立了“模型”，然後根據資料集來“預測”特定的結果。
我所在公司公司銷售的一個產品，或多或少地試圖用“機器學習”來從一個大資料集裡尋找重複條目。
為這個產品提供價值的不是機器學習技術本身，而是近來充斥矽谷的炒作潮流：我們的顧客看到“資料科學產品”，完全想不到它只是基本的預測分析。我不知道如果沒有了（機器學習）這個標籤，產品還能不能賣得出去。
澄清一下：我供職的公司確實使用機器學習技術，我也確實在公司的資料科學團隊工作。我的關電視：其實我們並不需要做這些事，因為我們的產品用最基本的技術就能實現，根本不用這麼複雜。
ekarulf的回答
亞馬遜個性化。
我們使用機器學習/深度學習為客戶提供產品建議和推薦產品的建議。多年來，我們只使用基於基本統計的演算法，但我們發現機器學習模型在這種場合做得更簡單。
（這位使用者還在答案底下附上了亞馬遜相關部落格文章、GitHub地址和招聘資訊）
strebler的回答
我們是一家計算機視覺公司，我們做了很多產品檢測+識別+搜尋，主要面向零售商，但我們在很多其他的影像垂直領域也獲得了收入。我的聯合創始人和我都在計算機視覺領域做出了相關論文。
在我們的地方，最近的人工智慧 、機器學習進展使一些事情成為可能，這在以前簡直不可能實現。
雖這麼說，但圍繞深度學習領域的炒作變得非常嚴重。我們的幾個競爭對手已經退出了這一業務（即使他們正在利用深度學習的神奇功效）。例如，JustVisual在幾個月前（融資2,000萬美元+）已經被出售，Slyce（融資5000萬美元+）也將在本月晚些時候出售。
是的，深度學習已經取得了一些非常根本性的進步，但這並不意味著它可以很神奇地去賺錢！
jngiam1的回答
在我們Coursera（免費大學線上課程），有幾個地方使用機器學習：
-
課程建議。 我們使用低秩矩陣分解方法去做建議，並且也在考慮整合其他資訊來源（如您的職業目標）。
-
搜尋。 結果是基於從流行度到學習者偏好的各種訊號排名的相關性。
-
學習。 還有很多未開發的潛力。 我們已經研究了一些同行的de-biasing，並與史丹佛的人一起研究人們如何學習程式碼[2]。
我們最近聯合組織了一個機器學習教育的崗位技能水平考試研討班：http://ml4ed.cc。 在利用機器學習來改善教育方面還有未開發的潛力。
ksimek的回答
在Matterport，我們的研究團隊正在使用深度學習來了解我們的客戶掃描的3D空間。深度學習對於像我們這樣的公司是有很大作用的，其中我們的大部分資料是影像，在深度學習的到來之前，以高吞吐量的方式提取這些資訊是不可能的。
我們的一種應用場景是自動建立全景用以參觀房屋。房地產是我們的一個大市場，我們產品的一個關鍵是能夠建立一個自動播放幻燈片或3D影像的參觀模式。問題是，手動建立這些影像需要時間，因為它需要製作一個3D模型，找到每個房間的最佳檢視。我們知道這些東西在銷售房屋時能增加巨大的價值，但我們的許多客戶沒有時間建立它們。在我們的研究實驗室裡，我們使用深度學習通過識別房子的不同房間以及圖片是否更具有吸引力來自動建立導覽圖。我們用大約一百萬個使用者手動拍出來的照片集合對它進行訓練，其中一部分照片標記出了房間型別。
這不太遙遠，但我們也在尋找3D幾何評估的語義分割，用深度學習提高深度資料質量，以及深度學習對3D資料的其他應用。我們的客戶掃描了大約37萬棟建築，生成大約3億張實景的RGBD影像。
Flammy的回答
我參與的創業公司使用機器學習來預測哪些原因將導致使用者的流失。
我們與B2B、B2C SAAS、移動應用、遊戲以及電商合作。對於它們中的每一個，定製的是通用的解決方案，以令他們知道哪些使用者最容易發生流失的風險。時間跨度因客戶生命週期的不同而不同，但是對於最長的生命週期，我們可以高精度地提前超過6個月預測客戶的流失。
比“誰存在流失風險？”更重要的是“為什麼他們會存在流失風險？”。為了回答這個問題，我們關注了與流失存在正相關和負相關行為的模式和集合，以便我們的客戶有目的地去鼓勵、勸阻或修改的這些特定行為。
這使我們的客戶可以通過各種手段，嘗試留存他們的使用者。 對於我們的B2B客戶，客戶經理非常相信他們需要去聯絡哪些人，以及為什麼要這麼做。
所有這一切包括常規模型再訓練，考慮新使用者的事件和行為，新產品更新等等。我們對我們的解決方案有信心，並提供給我們的客戶免費試用，向他們證明我們自己。
我不能分享細節，但我們今天上午剛剛簽署了我們最大的一筆合同。
iamed2的回答
我們使用機器學習對電網中的複雜相互作用進行建模，以便做出改善電網效率的決策，這已經（至少在短期內）比使用優化程式更有效，並以獲得更好的結果。
一般來說，我認為如果你知道你的資料關係，那麼你不需要機器學習。 如果你不知道，機器學習可能會特別有用。
got2surf的回答
我的公司製作分析客戶反饋的軟體。
我們使用“真正的”機器學習用於觀點分類，以及一些自然語言處理和挖掘意見的工具。 然而，大多數有價值的結果來自簡單的統計分析、概率、比率，正如其他評論者所提到的。 機器學習對於確定某個客戶是否在反饋評論中感到憤怒非常重要。但是，隨著時間推移，它在熱門趨勢話題中的作用就沒那麼重要