深入学习将为需求、欺诈和失败预测提供最佳的课堂表现，2019。
深度学习是机器学习的一个变种，是人工智能（AI）的主要驱动力。由于深度学习比其他ML方法提供了更好的数据融合能力，Gartner公司预测，到2019年底，深入学习将成为需求、欺诈和失败预测最佳性能的关键驱动力；
Gartner公司的研究副总裁Alexander Linden说：“深层的学习就在这里，并通过允许数据的中间表示来扩展ML。”它最终解决复杂的、数据丰富的业务问题。例如，在解释医学图像以早期诊断癌症时，深度学习可以提供有希望的结果。它还可以帮助改善视障人士的视力，控制驾驶车辆，或识别和理解特定人的讲话；PCBA加工
在 ；Gartner的Symposium / ITxpo会议，这是发生在开普敦，直到星期四，加特纳分析师讨论最新的趋势如何ML驱动AI  ；
深度学习也继承了ML的所有优点。认知领域的一些突破证明了这一点。百度的语音到文本的服务比在类似任务的人类；贝宝使用深度学习作为一个最好的方法来阻止欺诈性付款和已削减了一半的误报率，和亚马逊也将深入学习在类产品建议最好。 ；
今天，通过深入学习ML最常见的用例是图像、文本和音频处理，但是也越来越多的预测需求，确定缺陷在服务和产品质量，检测新类型的欺诈行为，流分析运动中的数据，并提供预测甚至规定的维护。然而，ML和AI的举措不仅需要数据和算法，而且要成功。他们需要融合技能、基础设施和商业并购；
如何为ML工作
大多数组织缺乏简单ML解决方案所需的数据科学技能，更不用说深入学习了。如果ML项目不能用易用的应用程序解决，IT领导者将需要ML的专业知识；
“在这种情况下，IT领导人将寻求专家，称为数据科学家，”林登先生说。数据科学家可以从数据中提取广泛的知识，可以看到端到端过程的概述，并能解决数据科学问题；
加特纳预测到2018，80%的数据科学家将在他们的工具箱中有深入的学习。”林登说：“如果你的一个团队对数据有很好的理解，拥有业务领域的专门知识并能解释产出，就可以开始ML实验了。”即使您的团队缺乏算法的经验，也可以从打包的应用程序或API开始；
成功启动ml和AI
使用ML和AI为企业增加价值是很复杂的。”林登先生说：“不要刻意满足所有ML前提条件，而是找到合适的问题来解决。”使用在您的流行报告中使用的相同数据，如区域的订单，启动ml是一个好主意。然后你可以应用ML来做前瞻性的预测，例如一个地区下个月的同一个订单的预测。通过这种方式，它扩展了事后报告，向商业利益相关者展示了ML可能的艺术；
然而，ML有局限性。”林登先生补充说，如果一个ML系统有足够的数据去学习，那么它就可以做出最好的决定，比如数以百万计的定价项目和它们的可用性，但是它不能判断是否产生的结果在道德上是可以的。”。将数据科学家的当前经验和技能与新的ML能力结合起来，将需要成功的ML和AI采用；
林登先生总结道：“对人来说难的是ML容易，ML的难易。”；
关于Symposium / ITxpo会议
在AI的趋势的更多信息将在 检查；Gartner的Symposium / ITxpo会议2017。