更新的机器学习技术、更好的编程技术和更多以数据驱动的技能应该会有所作为，而更好的工具将结果与核心模型相关联也会有所作为。
在我们目前有关机器学习的所有讨论中，常常会忘记重要的一点：由于真正的机器学习应该是隐藏在后台，所以基于机器学习所采取的行为应该成为技术有效性的关键指标。
机器智能不仅可以预测故障，而且由此可以防止若干次故障的发生。机器智能不仅可以基于呼叫流量来检测API结构，而且还清楚增加构建了多少个API。机器智能不仅可以识别物体，而且可以防止发生若干次的事故。我想你已明白这一点了。可以说，机器智能的真正衡量标准不是准确性和损失(这是一些深度学习倾向选择的测量标准)，而是其对结果的影响。
我们在从学习模型发展到对结果产生影响的过程中存在两个问题。其一，开发人员所构建的应用程序需要衡量该模型对其结果的影响。其次，他们需要通过轻松整合学习模型来快速构建可影响结果的应用程序。
我们先来看看衡量问题。
假设您正在为一款自动驾驶汽车设计新的视觉模型。唯一重要的事情是，这个更好的模型是否有助于降低事故发生，而并非模型本身是否能够更好或更快地识别物体。
尽管存在很多挑战，但事故毕竟属于偶发事件(这是件好事)，衡量偶发事件的结果有效性并不容易(这是一件坏事)，而且还有存在其他困难。避免事故是一个多变量的问题，而一些变量(比如你的模型)是在你的控制之内。还有其他变量(比如其他车辆的行驶状态、雨天或建筑物)都不在你的可控范围。利用贝叶斯技术、多臂赌博机方法、A/B方法等等，都是可以很好衡量和掌握结果的第一步，但这还不够。
现在让我们来看看第二个问题：构建可进行学习和适应的应用程序，以及如何让衡量问题融入到应用程序中。
构建学习应用程序与构建机器学习模型不同。这是因为应用程序开发领域和机器学习领域不同，很少有跨越这两个领域的工程师。
机器学习领域的人员倾向于以他们认为会影响这些模型的任何输入量来构建模型，并且他们始终需要干净的输入向量(所有输入量必须相同大小、标准化、规范化等)。因此，如果消费倾向模型是建立在过去的顾客行为和产品相似性的基础之上，但是另一个变量(如天气)也会对消费倾向产生影响，那么该模型就不会很理想：它未考虑天气因素，即使应用程序员使用了天气信息(通常只需要一个API)，但并未将其包含到模型中。对机器学习工程师的需求和应用程序开发人员的需求并不完全一致。
事实上，从混乱的现实世界数据转变为模型所需要的干净的输入量，这通常是一条陡峭的曲线。的确，Panda库可使用Python语言编写，但如果应用程序是用Java编写的，那么应用程序开发人员如何正确处理呢?
那么我们如何克服这些挑战?当两个世界相隔甚远时，唯一的解决办法就是让这两个世界相互靠近。
机器学习变得越来越简单，而且这一趋势还会继续。在“学会学习”模型领域，机器学习技术取得了一些非凡的进步 – 开发出可以探索不同空间和不同类型模型的算法。阿尔法狗(AlphaGo)使用了其中的一些技术来赢得人机围棋对抗的比赛。这些机器学习的简单化不仅会鼓励更多人去构建机器学习模型(帮助解决关键技能问题)，还会催生出更容易使用的模型。
但是构建应用程序的范例和应用程序编程人员都需要更加以数据为导向，并且要更注重结果。他们不需要遵循规则进行编程，而是要通过预测进行编程。他们需要更多以API驱动来访问其控制范围之外的系统(无论是从第三方获取天气信息，还是从企业内部其他团队设计的模型所得的预测结果)。他们需要一些有关机器学习的核心教育，以作为从事应用程序员工作的先决条件。
在未来五年，机器学习可能会起到越来越大的作用。但最重要的衡量标准将是机器学习对改善结果所产生的影响。
要做到这一点，应用程序必须吸收机器学习技术。为了实现这一点，机器学习和应用程序之间的缺口必须缩小。更新的机器学习技术、更好的编程技术和更多以数据驱动的技能应该会有所作为，而更好的工具将结果与核心模型相关联也会有所作为。
随着这些方面都协调一致后，拥有机器智能成果的未来将是非常光明的。
