我们生活在信息时期已经有一段韶光了，但是一个持续的问题是，对付人类来说，有太多的信息须要自己处理。
输入机器学习。
这种大略实用的人工智能绝对不像《2001太空漫游》(2001:A Space Odyssey)中的哈尔(HAL)，也不像《星际迷航》(Star Trek)中的数据师长西席(Mr. Data):没有创意，没有真正的思考，没有任何知觉或自我意识。
它仍旧只是一个打算器。
再想想IBM的深蓝国际象棋(deep blue chess)打算机，它利用大量打算资源考试测验每一个可能的步骤，以预测结果。
利用气候数据、气候模型和卫星图像，棉花作物以这种办法被追踪已有一段韶光了。
我们可以用它来跟踪和管理库存、客户关系、供应商和竞争对手。

这些都不是什么新鲜事。
在基本层面上，打算机只是遵照一个决策树，沿着这条线向下讯问“行动X会导致结果Y吗?”事实上，你可以很随意马虎地在电子表格中自己编写代码来办理更大略的问题。
机器学习之以是成为一个紧张的新领域，是由于数据科学家可以编写算法来提高处理效率。
你不须要考试测验所有9000亿个可能的变量组合来办理一个特定的问题，你可以把它们组合起来，在一个小得多的选择上进行数学运算，在合理的确定性范围内得到类似的结果。
有机和仿照繁芜性压倒理解释系统，直到阐明系统要么以原始处理能力压倒繁芜性，要么利用创新的快捷办法。
精良的老式人工编码算法许可打算机实现飞跃。

这样做的商业情由是能够更好地预测市场趋势、流程漏洞和其他影响底线的成分，但筛选我们正在网络的所有新数据所须要的处理级别也有实际的本钱。
一家大型时装公司每月会花费成千上万美元对云打算来处理所有的新数据从供应商、零售平台和市场情报,但一个好的数据科学家可以调度如何运行和处理得到的一小部分本钱,同时供应关于数据的新见地。
人是关键，由于机器并不是真正的智能，它们仍旧只是按照操作职员的指示去做，只管速率和准确度都非常惊人。

人工智能所缺少的人性是什么?直觉，超越逻辑的能力。
正如一位打算机科学家可能会说的那样:如果一台传统的打算机能够超越逻辑，那么它就被冲破了。
在这一点上，任何其他东西充其量都是科幻小说。

机器学习便是你用来教机器的仿照有多繁芜。
随着繁芜性的增加，资源需求也在增加。
在细节阻碍过程之前，真实天下条件的数字模型能有多精确?

随着环球时装供应链变得更加自动化和透明，能够安全有效地做到这一点的系统的效用变得非常明显。

当人们评论辩论机器学习时，他们常常评论辩论培训。
把你的机器学习系统想象成一个演习生。
起初，它对你的业务一无所知。
一开始它毫无头绪，失落败了很多次，但之后(希望如此)它开始学习。
选择精确的模型来剖析数据就像口试演习生一样。
你必须判断他们彷佛他们善于做什么在一个基本水平,但一旦你利用你仍旧须要演习和监视他们,直到他们达到的速率,有时第一个选定的候选人不得当,须要从头。

如今，大多数定制的机器学习运用程序都构建在微软(Microsoft)、谷歌和SAP等供应商供应的基于企业质量订阅的模块之上，以及由数千名程序员掩护的免费开源共享代码库之上，这些代码库作为一个环球社区保持更新和安全。
只管创新还在进行，但许多根本举动步伐已经建成，可以相称快地支配。
最难的部分是演习新系统阐明数据，使其有用。

人工智能以有趣的办法与另一个热门话题联系在一起:区块链。
当代区块链技能具有内置的智能条约功能，许可在完成特界说务时自动付款。
通过将区块链支付系统连接到数据库和传感器，人工智能程序可以用来确定任务是否已经完成，是否该当进行支付。
店里有500件到货吗?是的。
支付供应商。
不要太担心区块链交易的即时性，由于已经有几家受监管的区块链交易所像银行一样，在这个新领域为企业供应流动成本。
信贷不会消逝。

人工智能注定要取代中间人。
须要来源吗?人工智能会做得最好。
须要管理一个任务或一个大的团队?它一贯在不雅观察和学习。
因此，人工智能将成为完美的中层管理者。
然而，在人工智能永劫光精确实行任务之前，您可能仍旧希望由人工经理对事务进行终极批准。
它一开始并不聪明，必须从缺点中学习。
但是，我们利用这些系统的次数越多，它们就会变得越可靠，以至于在中层管理任务上，它们会比任何人都做得更好。
由于它们是建立在共享平台上的，它们不仅向您学习，还向所有人学习，以是您不必进行所有的培训。
随着环球时装供应链变得更加自动化和透明，能够安全有效地做到这一点的系统的效用变得非常明显。

我们不知道从长远来看这些系统会变得多么繁芜和智能，但是现在他们须要做很多事情。
他们无法预测的事情不是他们以前没有见过,基于模式,可以骗积分坏数据相称随意马虎,以是真正的创新和新的大型文化变革常日会扔了。
大概最好的应对问题的人工智能是否能真正理解时尚只是问另一个问题:我们吗?