在人工智能应用方面，企业需要获取商业利益、构建技术框架和模型，以获得更好的商业成果。
　　在人工智能、机器学习和深度学习方面，目前有很多市场热议和技术探讨。大多数问题有的过于松散，有的过于数学化，有的过于笼统，有的过于专注于特定的应用程序，与业务成果和指标脱节，有的没有方向性。
　　本文通过以下方式概述这些相关技术：
　　•定义人工智能、机器学习和深度学习，解释与传统方法的区别，描述何时使用它们，并指出它们的优缺点。
　　•解释它们如何补充业务框架并实现业务成果和指标。
　　•描述常见类型的机器学习和深度学习模型培训、算法、架构、性能评估和良好性能的障碍。
　　•提供工作中的机器学习模型和算法的示例。
　　•为业务成果的人工智能实施提出潜在的框架。
　　商业环境中的人工智能
　　很多的组织都致力于实现特定的结果，他们同时兼顾了一些业务指标和流程来实现这一目标，例如收入、成本、上市时间、流程准确性和效率。但他们的资源有限(费用、时间、人力和其他资产)。因此，问题归结为对资源配置做出正确的决策(什么样的资源、多少资源、应该做什么、需要什么能力等等)，并且比竞争对手更快、比市场变化更快地做出正确的决策。
　　做出这些决定很困难，但是很明显，当可以获得数据、信息和知识时，它们变得非常容易。假设这些输入信息可用，则需要对它们进行汇总和挖掘。分析人员需要时间获得行业专家的专业知识和经验，以适应不断变化的业务规则，在可能的情况下针对个人偏见进行校准，并找出模式并产生见解。在理想情况下，分析人员和管理人员应该(在时间允许的情况下)评估多种情况并进行多次实验，以增强对其建议和决策的信心。最后，需要将决策付诸实践。
　　输入人工智能、机器学习和深度学习，其中：
　　•根据观察为组织建模。
　　•通过同时审查许多因素和变量来产生见解(远远超出在合理的时间段和成本约束下所能达到的水平)。
　　•在提供新的观察结果时不断学习。
　　•量化结果的可能性(即预测可能发生的事情)。
　　•规定具体行动，以优化业务目标和指标。
　　•通过更快的再培训与传统的较慢的重新编程，快速适应新的业务规则。
　　使人工智能、机器学习和深度学习成为可能的是数据量和数据类型的激增，加上计算和存储硬件和工具的成本降低。Facebook、Google、Amazon和Netflix等公司已经证明了它的有效性，很多行业的组织都在紧随其后。结合商业智能，人工智能、机器学习、深度学习三者克服了决策的障碍，从而促进组织实现其商业目标。
　　人工智能、机器学习和深度学习适用于指标驱动型组织和企业中的每个人。
　　麦肯锡全球研究院在其2011年5月出版的《大数据：创新、竞争和生产力的下一个前沿》一书中指出，美国对于使用分析结果的管理人员和分析师的需求为150万人，超过了对分析人员(例如数据分析师和数据科学家)的需求。
　　换句话说，数据价值链中的瓶颈不是数据或分析，而是能够根据场景和智能方式利用数据/分析实施的能力。对于业务和流程专业人员来说，这是一个将人工智能、机器学习和深度学习与已经很好理解的业务框架和概念结合起来的机会。这是一个在这些框架和概念中定义问题和假设的机会，然后使用人工智能、机器学习和深度学习来发现模式(洞察)和测试假设，这些假设需要太长时间才能测试，否则识别和测试成本太高，或者对人们来说太难执行。
　　组织越来越多地转向人工智能、机器学习和深度学习，而业务正变得越来越复杂。组织一次要处理的事情太多了。也就是说，有太多数据点(相关的和不相关的)需要整合。这样看，处理太多的数据可能是一个责任。
　　但是