并非所有机器学习应用都取得了巨大成功。事实上，有很多令人失望的事情。从过于雄心勃勃的项目到对最终成品的期望，机器学习都充满了虚假的希望。
我认为 Andrey Kurenkov 出色地概述了弱点 在他的文章中. 机器学习（或 人工智能（就他的情况而言）是：
需要大量数据 （或样本效率低下）。可接受的模型需要大量的数据。
不透明。 我们最多只能对幕后真正发 巴西电话号码数据 生的事情做出一些有根据的猜测（与其他方法相比，更适用于强化学习）。
狭隘。 它们只能完成一项特定的任务，容易被破坏，并且无法将知识转移到其他任务或模型上。
脆弱。 只有访问大量数据后才能很好地推广到未见过的输入。
然而，事情并非全是悲观的。机器学习模型在特定任务集上非常有效。如果正确应用，整个训练过程将是值得的。它们可以带来卓越的效率，并带来全新的功能，让您领先于任何竞争对手。
机器学习擅长什么？
你可能有过这样的经历：你在街上看到某人的脸，并认出他们是熟悉的人。一旦你走近，就会意识到——这是一个完全陌生的人。
可能发生的情况是，你的大脑匹配了许多不同的模式，并根据现有信息做出了特定的预测。在这种情况下，它错误地认出了朋友或熟人。然而，这种预测之所以可能，是因为你的记忆能够容纳大量信息。
大多数企业都会使用机器学习模型，它们的作用大体相同。它们都是随机的。它们根据大量数据和训练（诚然，这很痛苦）做出预测。这些预测要么是分类，要么是随机变量（基于回归。