炒作，爲什麼？
Niklas Donges 覺得，最近的神經網絡是火的有點過了。當然，這也是有原因的：
- 原因之一：數據
幾十年來積累的海量數據，在2018年，迎來了最光輝的時刻！使得神經網絡能夠真正展示自己的潛力。數據之於神經網絡，就好比波紋之於 JoJo，氣之於龜仙人。
數據越多，神經網絡越浪！
相比之下，傳統的機器學習算法在數據量面前，會觸及一個天花板。一旦到達極限，傳統機器學習算法將無法跟上數據增長的步伐，性能則停滯不前。我們用一張圖來更直觀的說明：
- 原因之二：計算能力
另一個非常重要的原因是現在的計算能力。想想比特幣礦機，單機就能達到那樣恐怖的算力！
強大的算力能夠處理更多數據，節省更多時間。根據人工智能領域的重要人物 Ray Kurzweil 的說法，計算能力是呈指數增長。
是不是想起了摩爾定律？
- 原因之三：算法
增加深度學習流行度的第三個因素是算法本身已經取得的進步。這些最近在算法開發方面的突破，主要是因爲它們比以前運行得更快，這就可以儘可能充分的的利用所有數據，做到不浪費。
- 原因之四：營銷
營銷，就是給太上老君八卦爐扇火的那把芭蕉扇，可以把星星之火，扇成森林大火。
自1944年提出神經網絡概念以來，已經被炒過一輪了，市場已經疲軟，沒人相信和投資了。
“深度學習”這個詞，賦予了它一個新的名字，使新的炒作成爲可能。這也是爲什麼，許多人錯誤地認爲深度學習是一個新創造的領域。
此外，還有其他一些因素促成了深度學習的營銷。例如第一個機器人公民 Sophia，以及機器學習等主要領域的幾項突破等等。
Pros vs Cons
拋開這些虛幻的因素，接下來 Niklas Donges 通過和傳統機器學習算法的對比，闡述了神經網絡的優缺點。
-
優點
神經網絡的主要優點，在於它們能夠勝過幾乎所有其他機器學習算法。例如在癌症檢測中，對於性能的要求是非常高的，因爲性能越好，可以治療的人越多。
- 缺點1：著名的“黑匣子”問題
神經網絡最着名的缺點，可能就是“黑匣子”性質。這意味着你不知道你的神經網絡將會如何產出結果，更不知道爲什麼會產生這種結果。
例如，你把一張貓的圖像放入神經網絡，結果告訴你這是個汽車 ?。而且你也沒辦法找出問題的癥結所在。
相反，像決策樹這樣的算法，是遵循一定的邏輯性，是可被解釋的，你就很容易找出問題所在，並進行調整。在某些領域，這種可解釋性非常重要！比如銀行。
銀行不會使用神經網絡來預測一個人的信譽。銀行需要向客戶解釋爲什麼沒有獲得貸款，而神經網絡恰恰無法做出解釋。
假如 Quora 決定使用神經網絡算法刪除垃圾帳戶，結果就像是滅霸的手套一樣，反正你也不知道它是根據什麼規則定義一個賬戶是不是垃圾賬戶，結果就被滅了。
你覺得被刪除賬戶的用戶，會接受“我們也不清楚，這都是計算機決定的”這種解釋嗎？
以及，你能想象馬雲收購一家公司，只是因爲“電腦”說他需要這樣做？
- 缺點2：耗時耗力
雖然有像 Keras 這樣的庫，使得神經網絡的開發變得相當簡單。但有時你需要更多地控制算法的細節，
例如試圖用機器學習來解決一個從沒有人做過的難題。你可能會使用 Tensorflow，它是爲你提供了更多的可能性。但它更復雜，開發需要更長的時間（取決於你想要構建的東西）。
那麼對於公司管理層來說問題就出現了，真的值得動用昂貴的工程師花費數週時間嗎？可能用其他算法，一天就搞定了。
- 缺點3：數據饕餮
神經網絡比傳統的機器學習算法通常來說，需要更多的數據。數千，甚至數百萬的標記樣本纔夠。這麼多的數據從哪兒來？顯然是個非常讓人頭疼的問題。
相較而言，像樸素貝葉斯這樣的簡單算法，可以更好地處理小數據。
- 缺點4：貴
這裏的貴，指的是算力的昂貴，時間的昂貴。最先進的深度學習算法，實現真正深度神經網絡的成功訓練，可能需要數週才能完全訓練完畢。
然而大多數傳統的機器學習算法訓練時間要少得多，從幾分鐘到幾小時或幾天不等。
神經網絡所需的計算能力在很大程度上取決於數據的大小，也取決於網絡的深度和複雜程度。只有一個層 + 50個神經元的神經網絡，當然比1000個決策樹的隨機森林快得多。相比之下，有50個層的神經網絡，將比僅具有10個決策樹的隨機森林慢得多。
總結
雖然 Niklas Donges 認爲神經網絡被過度預期了。但他同時認爲，我們生活在機器學習復興中。因爲它越來越親民，越來越多的人能夠用來構建有用的產品。
但一些現實問題，我們也不能忽視。目前，只有少數人瞭解可以用神經網絡做什麼，並且知道如何建立成功的數據科學團隊，爲公司帶來真正的價值。
雖然我們擁有如此多的天才級博士工程師，他們深諳機器學習背後理論，卻缺乏對商業方面的理解。
同時，企業的高管，CEO，並不瞭解深度學習。他們被忽悠的認爲，公司面臨的所有問題都會被人工智能在未來幾年內解決掉 ?。
所以，我們需要更多人來銜接兩者的鴻溝，從而產生更多對我們社會有用的產品。
