深度学习神经网络通过进行一系列计算得出结论，从而模仿人脑的决策过程。
机器能够处理人类无法处理的海量数据，但需要健全的治理架构来确保取得积极成果。
如果企业善用数据，深度学习就能提升生产力、提高员工留任率并增加收入。
当你“逐步梳理”一个需要作出决定的问题或事项时，可能会觉得自己是在按线性清单逐项检查。但人脑并非如此运作；它以非线性模式处理信息。深度学习作为人工智能（AI）的一个分支，本质上也是这样运作的。
深度学习的运作方式类似于人脑
从本质上说，深度学习像人脑一样从实例中学习。它模仿人类获取某些知识的方式。由于深度学习以类似的方式处理信息，因此可以用于完成人类能够完成的事情，例如学习开车或识别图片中的狗。
深度学习还用于自动化预测分析，例如识别趋势和客户购买模式，帮助企业吸引更多客户并留住更多客户。你在零售网站购买新螺丝刀时，是否注意过那些显示“经常一起购买”商品的版块？这些推荐基于预测性深度学习算法，算法综合考虑了你当前的搜索内容和过往购买模式，从而推荐你可能还需要的其他商品。
其他应用还包括许多日常场景和活动，例如虚拟助手、欺诈检测、语言翻译、聊天机器人和服务机器人、黑白图像着色、人脸识别以及疾病诊断。
神经网络应用的一个简单例子是语音解析。网络从原始音频中提取声音，这些声音组合成音节，再组合成单词，继而组合成能够触发行动的短语。机器会学到某个特定声音意味着它应该调出信用卡余额；同一指令被询问的次数越多，它的识别就越准确。
深度学习应用于各行各业
神经网络并非新事物；它们自20世纪40年代以来就已存在。1943年，两位计算机科学家提出了神经网络模型，构建了基于神经元的阈值开关，并证明即使是这类简单网络，也几乎能够计算任何逻辑或算术函数。
最早的计算机雏形由一位计算机科学家研发，他厌倦了手工计算弹道轨迹。70多年后的今天，深度学习在复杂程度和应用范围上都迅速发展，这主要得益于计算能力的提升（以及单位算力成本的大幅降低）、建模方法的改进和数据的可用性。深度学习需要海量数据。据估计，目前我们每天生成的数据量为2.6万亿字节。它分析海量数据集的速度也远快于人类。机器不会感到单调或疲劳。
深度学习存在哪些风险？
让我们以自动驾驶汽车为例来回答这个问题。深度学习让自动驾驶汽车成为现实，但它们似乎不太可能消除所有交通事故；那样的情形堪称自动驾驶乌托邦。事实上，保险公路安全研究所（Insurance Institute for Highway Safety (IIHS)）近期的一项研究称，自动驾驶汽车或许只能避免约三分之一的车祸。即便如此，这仍比人类驾驶的表现更好。
然而，广泛采用这项技术也可能带来一些隐忧：技术学习期间，部署初期的事故率可能上升；道德决策可能交由制造商作出；事故责任也难以归属。此外还有黑客攻击，毕竟深度学习不过是封装在车辆中的技术。2019年3月，两名“白帽”黑客（好人）只用了几分钟，就通过信息娱乐系统的浏览器进入一辆特斯拉的计算机，运行自己的代码，并让汽车响应他们的指令。
我们还必须从消费者的角度考量深度学习的应用。如果它“无法正常工作”——例如手机无法解锁——就可能让客户不满或沮丧，适得其反。问题还在于，深度学习的神经网络十分复杂，因此很难弄清楚问题出在哪里，或是为什么 系统会出错。数据科学家常将其称为深度学习的“黑箱”，他们正努力提高深度学习模型运作方式的可见性和透明度。
模型也可能无意中带有偏见——而这些深度学习模型正被用于作出重大决策，包括决定谁能获得贷款、工作或假释。深度学习需要明确的防护界限和适当的治理架构。
深度学习是商业的未来
深度学习带来了基于图像的商品搜索（例如Pinterest），也提供了高效的果蔬分拣方式，从而降低劳动力成本。前者更方便消费者，后者则是提升生产力的真正商业应用。
金融服务业正投入大量资源发展深度学习，用于检测欺诈、降低风险、自动化交易，并为投资者提供“机器人投顾”服务。根据经济学人智库（EIU）的一份报告，86%的金融服务企业计划到2025年增加与人工智能相关的投资。
在企业各个环节融入人工智能，有助于增强差异化优势和竞争力、提升生产力、影响员工留任，甚至改变疾病的发展进程；这一趋势正在各行各业以及企业运营的方方面面发生。
人工智能正在影响方方面面，从重塑业务和运营模式，到制定招聘和留任策略，再到营造不仅认可、而且推动深度学习应用的新企业文化。然而，据一些估计，不到1%的多数组织数据正在得到利用，尽管有海量数据可用于推动变革性决策。你何时会开始挖掘并利用自己的数据？
