機器學(xué)習(xí)加入了人工智能（AI）作為各行各業(yè)的流行語。大數(shù)據(jù)的出現(xiàn)讓公司分析以前從未有過的信息。機器學(xué)習(xí)可以分為三個部分：數(shù)據(jù)處理，模型構(gòu)建和部署與監(jiān)控。根據(jù)TechCrunch，模型構(gòu)建是機器學(xué)習(xí)發(fā)生的地方 - 算法實際上從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)以預(yù)測給定的輸入數(shù)據(jù)。您可能熟悉的機器學(xué)習(xí)示例是Apple的虛擬助手Siri，其中約有7億iPhone用戶可使用。Siri使用語音識別和AI來響應(yīng)用戶的命令。機器學(xué)習(xí)也是圖像標(biāo)記，例如Facebook上傳照片時了解朋友臉部的功能。

運輸

機器學(xué)習(xí)目前正在擾亂交通運輸。預(yù)計到2020年將有近1000萬輛自動駕駛汽車在我們的街道上行駛。像特斯拉這樣的汽車制造商已經(jīng)測試了幾年的原型車，谷歌的Waymo正致力于自動駕駛車輛“讓每個人都能安全輕松地駕駛2017年3月，機動車輛部副主任伯納德索里亞諾告訴衛(wèi)報，技術(shù)本身將比實際駕駛員表現(xiàn)更好?！坝捎诎踩缘暮锰?，我們需要為完全無人駕駛的車輛提供明確的路徑?！?/p>

自動駕駛車輛的缺點很多。開發(fā)機器學(xué)習(xí)的技術(shù)成本很高，因此在大多數(shù)消費者能夠負(fù)擔(dān)得起自動駕駛車輛之前可能需要一段時間。對于黑客而言，安全性也可能成為一個主要威脅，或者只是為不那么精通技術(shù)的人操作車輛。當(dāng)然，這是對事故保護(hù)的明顯懷疑。

通訊

機器學(xué)習(xí)在銷售，營銷和溝通方面越來越受歡迎。該技術(shù)通?？梢詭椭覀冞M(jìn)行通信，例如無線通信。它還有助于我們互相避免 - 另一個典型的例子是垃圾郵件過濾，它會根據(jù)發(fā)件人或主題學(xué)習(xí)將電子郵件歸類為垃圾郵件或您想要閱讀的內(nèi)容。公司正在使用機器學(xué)習(xí)策略來了解客戶并與他們溝通。事實證明，該技術(shù)在銷售預(yù)測方面非常有用，因為像Salesforce這樣的主要技術(shù)公司正在投資機器學(xué)習(xí)。

采用機器學(xué)習(xí)的另一種營銷和溝通趨勢是聊天機器人。聊天機器人是使用輕量級消息傳遞與人進(jìn)行對話的計算機程序，但它們經(jīng)常因本地化策略而失敗。原因是，機器學(xué)習(xí)和人工智能不能總是預(yù)測某人來自哪里或他們會說什么。Chatbot的接受度正在增長，但仍有56％的客戶表示他們更愿意與機器人交談。這最終成為通信中機器學(xué)習(xí)的主要缺點。隨著許多企業(yè)希望擴(kuò)展到國際市場，充分了解您的客戶并能夠與他們溝通非常重要。正因為如此，許多公司仍然使用人工翻譯 因為機器學(xué)習(xí)并不總能正確地定位信息。

翻譯

2016年秋季，Google推出了一種新的機器輔助語言翻譯系統(tǒng)，該系統(tǒng)利用深度神經(jīng)網(wǎng)絡(luò)提高翻譯質(zhì)量。

從那以后，有多個聲稱這個新的和改進(jìn)的系統(tǒng)將使人類翻譯失去工作。在許多方面，NMT代表了重大改進(jìn)。然而，與最近的出版物相反，它仍未縮小與人類翻譯的差距。實際上，在許多情況下，神經(jīng)機器翻譯仍然會造成人類翻譯者永遠(yuǎn)不會犯的重大錯誤，例如在不尋常的單詞或短語的情況下。

然而，圍繞機器學(xué)習(xí)及其在翻譯中的應(yīng)用的嗡嗡聲并非完全沒有道理。事實上，它突出了人與機器整合的巨大潛力，為人類翻譯和翻譯買家?guī)砹嗣篮玫奈磥怼＝柚g記憶庫和其他最先進(jìn)的翻譯技術(shù)平臺等工具，機器能夠為翻譯人員和買家提供高效，低成本和高質(zhì)量的輸出。

通過語家翻譯公司的人力翻譯平臺走向全球。