前幾天Master的勝利的確給機器學習乃至人工智慧的成功增添了很濃郁的色彩，也讓人覺得人工智慧超越人類的日子已經不遠了。但人們往往都在後怕電影中的情節會出現在現實生活中，不過大牛們都拍下了保票，人工智慧消滅人類是不可能的。

或許這個問題從實際應用的角度來回答會更好，因為任何技術的發展最終都是要為應用而服務的。

很多人可能對此類的認識比較模糊，但是機器學習已經滲透到我們生活的方方面面——零售(電商)、醫療、公共交通等等，而且各種應用正在以我們無法想象的方式增長。

你可能會在社交網站上與聊天機器人對話，或者與客戶服務電話交談——其實這背後都是很多型別的機器學習應用程式在默默工作，包括那些幫助組織預測模式和行為的機器學習應用程式。

這些應用程式能夠對海量資料進行篩選，一旦它們被“教會”了要尋找的東西，就能理解其中的資訊。這種工作模式之下，就產生了對資料科學家的需求，他們能夠建立演算法，找到可以預測結果和行為的模式。

如今，隨著自動化平臺如微軟Azure或AWS和機器學習庫等的出現，資料科學家開發這些演算法模型比以往任何時候都更容易、更快。這不僅意味著你會獲得更快的客戶服務，而且你還將受益於更好、更高質量的產品和服務。

我們可以看到在各行各業中湧現出的機器學習新應用，而且這種創新的潛力幾乎是無限的。以下是一些現有的應用和不久的將來可以使用的應用。

　　·防禦：利用衛星影象，機器學習應用可以對簡易爆炸裝置(IED)爆炸的歷史資料進行篩選，以幫助軍方預測這些炸彈的位置。

　　·公共交通:利用衛星影象、成像處理技術和歷史資料，資料科學家可以幫助機器學習軟體識別衛星地圖上的公共汽車，並建立一種演算法，使其能夠預測任何一天的公共汽車所在的位置。為了讓軟體能夠“看到”帶有影象處理的匯流排，資料科學家們使用深度學習和神經網路，這是一種模擬大腦工作方式的演算法。透過預測這些交通模式，該軟體能讓交通部門節省開支，同時幫助通勤者節省時間。

　　·製造:利用歷史資料，資料科學家可以建立演算法來預測潛在的產品缺陷。由於這些缺陷可能是基於一個數字或多個變數的組合，比如室溫和零件製造時的位置等，軟體的資料越多越好，從而幫助確定缺陷的原因，並防止將來出現問題。

　　·衛生保健:衛生保健提供者可以透過機器學習來預測不同型別的結果，例如住院病人住院後住院的可能性或重新入院的可能性。這些應用程式被教導要對資料進行篩選，並根據不同的變數來尋找模式，比如病人的醫療狀況、何時、何時補藥，以及後續醫生就診的頻率。

　　·安全:機器學習應用可以幫助消除機場、體育場和其他場所的假警報，並發現人類安檢人員可能會錯過的東西，這不僅可以大大加快安全程序，還能提高安全性。

　　·金融服務:新演算法使金融機構能夠預測未償貸款何時會拖欠。類似地，AI聊天機器人也在提供個性化的客戶建議，以增加使用者的忠誠度和滿意度。

　　·智慧汽車:在未來，機器學習將使汽車能夠了解司機的需求和他們的環境。該軟體可以根據對特定司機的理解，自動調整諸如內部溫度、音樂和座位位置等資訊，並在自動駕駛模式下提供實時的交通和路況資訊。

無論是從大量的資料中識別影象或進行模式識別，用機器學習的能力來預測行為和結果，在許多行業和我們日常接觸的很多領域有重大影響，我們的安全,健康,購買模式,和我們的工作方式。但它仍然是一個非常年輕的領域，有無限可能尚未被髮掘出來，我們有理由相信未來會更好。