虽然认知计算工具已经实现较为广泛的应用，但仍然存在一些不容忽视的差距。了解这些差距可能是企业从平台中获得价值的关键。 如果企业想要从人工智能和认知计算中获取利益，就需要在部署漫长而昂贵的项目之前，制定一个切实可行的计划。 “许多人认为认知计算是一项前景光明的技术，可以在任何领域应用，可以解决很多问题”，认知计算联盟的总经理兼联合创始人Hadley Reynolds说道，“但是我们所了解到的是，如果企业对认知计算项目没有一个明确的计划和目标，一切努力都可能是徒劳。” 自从认知计算和人工智能闯入人们的视野，人们一直认为这些技术将带来业务革新。也不乏有些人对此表示反感，认为认知计算和人工智能纯属炒作。但事实上，这些技术并非想象中那么“神奇”，也不是单纯的炒作。 认知计算系统仍然存在不足 Reynolds认为，这些先进的技术使得无人驾驶汽车在过去的几年中得以快速发展。虽然无人驾驶可以更灵活地在街道上行驶，但依然无法完全取代人类驾驶员的地位。 正因为如今人工智能还没有得到全面的应用，交付的价值也非常有限，Reynolds企业应该谨慎选择应用人工智能的场景和业务，并认真思考希望从中获取哪些价值。 Reynolds认为，认知计算系统目前作为助手最为有效; 比人工智能更加智能化。聊天机器人和智能助手的效率已经相当高。企业应该将认知计算等技术投放在一些这些具体的项目上，而不是盲目地广泛使用。 了解认知计算的本质 企业也应该充分了解认知计算带来好处的本质。 美国西北大学研究开发企业认知系统项目的教授Diego Klabjan分享了一个他最近为一个大型零售商所做的项目，该项目的关键在于改善产品销售预测。因为该零售商在其目录中有数十万种商品，所以这是一个非常适合认知计算系统的复杂问题。 Klabjan和他的团队建立了一个深度学习模型来改善每种商品的销售预测。值得一提的是，该模型预测效果很不错，该小组能够提高目录中78%的产品的预测水平。但Klabjan提醒说，每个产品的预测改进幅度相对较小。在这种情况下，深入学习导致了广泛但没有太大意义的收益。 然而，该项目的好处并不仅仅局限于预测。Klabjan 表示，与传统的机器学习项目相比，这个项目耗时少。通常，在机器学习项目中，数据科学家需要花费大量时间选择他们认为与相关的问题的特性。他们需要对模型进行测试，然后进一步完善模型中包含的数据元素，直到最终获得有效的方式，在此之前，他们也会咨询业务专家。 深度学习：不要期待奇迹发生 另一方面，深度学习更加自动化。一旦你有了自己的数据，并选择了你想运行的模型类型，你基本上只需点击，机器会自动完成工作。 “不要指望深度学习会带来什么奇迹”，Klabjan说，“如果你已经在做复杂的机器学习，那么深入学习会给你带来一些小小的改进，但真正的好处是无需数据科学家花费几个小时的时间来选择特性。”