机器学习是如今当之无愧的流行话题。它很有潜力改变各种市场和各个行业。但围绕这种技术也出现了许多炒作。但也有能够成功发展机器学习技术的领域所共有的几大关键特征。

01 大市场的里的具体用例

成功的机器学习创业公司应该瞄准有明确技术需求的垂直应用。预包装消费品行业就是个好例子。机器学习可以更加准确地预测库存水平，从而更好地管理供应链，降低库存成本，尽可能降低产能过剩，消除缺货状态。根据埃森哲的最新报告，机器学习可以将配送时效提升4.25倍，将供应链效率改进2.6倍。

02 关注涉及重复性人力劳动的领域

大量的人力干涉表明复杂的预测算法有很大的优化机会。同样以供应链为例，当今的分析师预测库存需求时不仅使用历史数据，还在很大程度上依赖直觉。借助生产时间、售罄率等数据，及其学习模型便可更加精准地预测未来的需求。

03 有大量数据可供预测分析之用

创业公司需要借助大量数据才能有效训练机器学习模型。企业既可以与老牌大型公司合作，利用他们的数据来学习，也可以自己开发产品，然后吸引用户贡献数据。这两种模式都可以成功。

04 网络效应和防御性

算法的开源趋势将会延续，因此专有数据变成了关键。为系统提供数据和反馈可以提升精确度，并形成自己的护城河。因此，一款产品应该吸引用户针对系统的预测和推荐提供反馈。例如，Facebook的照片标记算法可以通过用户的纠错达到这一目的。

可投资的领域

医疗诊断和生物信息学

机器学习将在整个医疗价值链上提高产出、降低成本。机器学习有望提升诊断效果、降低出错率，还能简化药物发现流程，这都令人颇感振奋。病人的数据可以用于早期的疾病诊断，并借此提供个性化治疗方案。医药和生物科技公司也可以使用计算方法快速而有效地发现效果更好的新药。

供应链

机器学习可以改进供应链的多个方面，包括需求预测、市场趋势、交易促进和新品设计。当今的企业很难评估市场模式和市场波动，因此难以帮助企业制定决策，并精确做出预测

制造

工业物联网的市场规模约为120亿美元，但目前仍处于普及初期。根据简柏特对173位企业高管进行的调查，只有25%制定了物联网战略，而其中对执行效果真正满意的只有24%。这些高管都希望借助机器学习解决方案来提高收益率，同时降低库存和成品率，以此降低成本，寻找新的获利机会。

合规

金融机构的合规是个巨大的市场。自2008年以来，仅摩根大通一家公司就花费360亿美元支付和解和罚款，并且聘请了8000名员工从事合规性评估。机器学习可以帮助银行和其他面临严格监管的企业改进这一流程。

企业语音

由于语音分析非常复杂，因此虽然这是企业工作流程中的重要元素，但从企业人工智能角度来讲，目前只处在在边缘地带。NewVoiceMedia 2013年的一份报告显示，呼叫中心的低下效率每年造成约410亿美元的损失。每年约有240万内部销售代表与客户展开数百万小时的对话。所以这其中明显蕴含巨大的机会，可以通过自动化流程改进呼叫中心、会议、销售和营销活动的效率。

保险

保险是个规模巨大、范围广泛的领域，机器学习可以帮助保险公司以更低的费用推出更精准的产品。例如，汽车保险公司可以使用驾驶和其他行为数据进行单独定价，或者使用更好的欺诈探测系统来降低整体的成本结构。咨询公司毕马威认为，机器学习将“彻底改变”保险行业。

个人金融

新的数据和分割模式令“千禧一代”享受到很多之前难以享受的金融产品（例如信用产品）。另外，自动化智能系统也在降低个性化建议的成本，因为它可以追踪用户的行为，并根据其偏好和目标提供建议。TechCrunch曾经写过一篇不错的文章，分析了人工智能将如何通过个性化推荐对金融行业产生影响。

个性化教育

传统教育的一大局限在于，老师必须面向整个班级传授一套标准课程。但实际上，不同学生的理解水平和学习风格各有不同。企业能否利用数据帮助父母和学校为每个学生确定有问题的领域，并制定个性化课程，然后给出单独定价，同时根据每个学生的问题和风格定制计划？这不仅可以改变美国教育现状，还蕴含着巨大的经济机会。截至2013年，美国每年在公共教育上投入的开支达到6200亿美元，约有5000万学生入读公立学校。

不感兴趣的领域

单纯的人工智能公司

人工智能和机器学习从来都不是终极目标，关键是将这些技术应用于实践。

聊天机器人

这种技术还不够先进，无法通过广义的聊天机器人为我们提供积极体验。