交易支出进行分析，该公司在去年有2000万笔交易支出，希望将所有这些分类为基于规则的层次结构。
　　“所以通用电气公司制定了500条规则，只采用了18条规则就将2000万笔交易中的200万笔进行了分类，但其余的400多条规则并不会像那18条规则那样更快地进行分类。”
　　他指出，这是收益递减规律。他说，“企业将不得不写出大量无法理解的规则，如果不使用机器学习技术，那么将会不堪重负。”
　　Stonebraker承认，机器学习技术不是万能的。真正的数据驱动需要技术和文化的调整。事实上，据NewVantage Partners 公司的一项研究，77%的受访企业高管表示，尽管有大量新软件涌入市场，他们的组织很难采用大数据/人工智能计划。但这比去年的调查有所增加。这些高管列举了采用机器学习的一些障碍，其中95%是文化或组织方面的障碍，而不是技术方面的障碍。Gartner公司分析师NickHeudecker说：“企业需要为此制定一个计划，但大多数公司不会把大数据技术进行计划和处理。”
　　Stonebraker表示，尽管如此，技术仍然很重要，并且可能在某种程度上述案例显示了通用电气公司数据科学家如何在高达90%的时间内过滤和分类，而不是致力于混合动力汽车或燃气轮机的开发和维修。如果大数据对于现实世界的企业来说是实用的，那么机器学习就是前进的方向。
　　他说，“须用机器学习取代人类，因为人们都明白，大规模传统的数据集成技术根本不起作用。”
　　很多企业正在考虑这一点，并将机器学习打造成他们产品的核心。Stonebraker说：“总的来说，传统的供应商落后于时代10年，而创业公司可以提供尖端的产品。”
　　这种“尖端”的东西是否提供了一种简便的数据货币化途径?是否会弥补在数据沼泽中浪费的时间?
 
　　Palmer指出，“我们正进入一个更快消耗数据的阶段。这一阶段是否会最终满足企业数据仓库的高期望?我不知道。但可以肯定离它越来越近了。”