机器学习是一种从数据中学习以进行预测或生成内容的软件，而不是逐条规则编程。根据Google的开发者培训资料，机器学习是训练一个被称为模型的软件，使其从数据中产生有用的预测或内容的过程。按照学习方式，机器学习系统分为四种主要类型：监督学习、无监督学习、强化学习以及生成式人工智能。
在土耳其，企业应用仍然有限。根据Eurostat，2025年土耳其拥有10名及以上员工的企业中有2.9%将机器学习用于数据分析，而欧盟为5.1%。在拥有250名及以上员工的企业中，土耳其的比例为12.2%，欧盟为25.1%。
简述如下：
- 机器学习是人工智能的一个子领域；系统从数据中而非从人那里推导出规则（EU AI Act，序言第12条）。
- 最常见的企业用途是预测（一个数值）和分类（一个类别）；分组也很常见（Google）。
- 起点不是算法，而是问题本身和历史数据的质量。
什么是机器学习，它如何运作？
在传统软件中，开发人员明确编写规则，例如"金额超过该限额时提交审批"。在机器学习中，系统获得大量以往的示例；模型自己在这些示例中找到规律，并在出现新输入时加以应用。
Google的资料以降雨预测为例进行说明。传统方法建立基于物理的大气模型，并计算大量方程。在机器学习方法中，模型获得大量天气数据，学习天气模式与降雨之间的数学关系，然后根据当前数据进行预测。按照该资料的定义，模型是从数据中推导出来、用于进行预测的数学关系。
在实践中，这一过程分为三个步骤：收集并准备历史数据，用这些数据训练模型，并在模型从未见过的数据上衡量其表现。如果跳过最后一步，就无法知道模型在实际工作中的准确程度。
机器学习与人工智能有什么区别？
人工智能是总称；机器学习是其下的方法之一。EU AI Act（第2024/1689号条例）序言第12条将人工智能系统的关键特征描述为从输入中"推断"输出的能力，并列举了实现这一能力的两类技术：从数据中学习的机器学习方法，以及从编码知识或符号表示中进行推理的基于逻辑和知识的方法。
这也简要回答了一个经常被搜索的问题，即机器学习与符号人工智能有何不同：在符号方法中，规则和知识由人编码；在机器学习中，规律从数据中学习得来。同一序言指出，仅基于人为定义的规则来自动执行操作的系统不属于人工智能系统。
深度学习是机器学习的一个子类型。在Eurostat的企业调查中，该指标被定义为"机器学习（例如深度学习）"，因此深度学习是作为机器学习的一个示例来衡量的。生成式人工智能也是Google分类中的机器学习类型之一；详见什么是生成式人工智能。
机器学习有哪些类型？
根据Google的资料，机器学习系统按学习方式分为四类：
- 监督学习： 模型从大量包含正确答案的示例中学习。该资料将其比作学生研习同时包含题目和答案的往年试卷。两种常见用途是预测数值（例如行程时间或房屋市场价值）的回归，以及预测事物所属类别（例如某封电子邮件是否为垃圾邮件）的分类。
- 无监督学习： 数据中没有正确答案；模型寻找有意义的模式。最广为人知的技术是将相似记录分组的聚类。根据该资料，聚类并非事先定义；对其进行解读和命名的工作留给人来完成。
- 强化学习： 模型因其在环境中的行动而获得奖励或惩罚，并形成能获得最多奖励的策略。该资料中的示例包括教机器人完成任务以及下围棋的软件。
- 生成式人工智能： 根据用户输入创建文本、图像、音频或视频等新内容。
企业在哪些方面使用机器学习？
以下示例是实用建议，说明Google所描述的模型类型如何对应企业工作；它们并非基于任何行业数据：
- 需求和销售预测（回归）： 根据以往销售、季节性和促销活动数据预测下一期的订单量；这为库存和生产计划提供依据。
- 交付和时长预测（回归）： 根据以往记录预测货物的到达时间或某项工作所需的时长。
- 分类和优先级排序： 按类型对收到的请求、电子邮件或单据进行分类；标记可疑交易或错误记录以供人工复核。
- 客户和产品分组（聚类）： 将购买行为相似的客户或流动情况相似的库存品项分组；随后由业务部门解读这些分组。
- 质量和维护信号： 根据传感器或生产记录对故障或缺陷的可能性进行分类。
这些示例的共同点是需要关于同一问题的充足且可靠的历史数据。在数据归属、定义和质量尚未理清之前构建的模型，很快就会重复不良数据；相关内容见面向人工智能的数据治理。
土耳其企业对机器学习的使用程度如何？
Eurostat关于企业人工智能的调查将"用于数据分析的机器学习（例如深度学习）"作为一项单独的技术进行衡量。根据2025年数据，土耳其使用该技术的企业比例在10-49名员工的企业中为2.4%，在50-249名员工的企业中为3.7%，在250名及以上员工的企业中为12.2%。欧盟同类群体的比例分别为3.8%、8.7%和25.1%。
与一年前相比，在拥有10名及以上员工的企业中，土耳其的比例从2.3%上升至2.9%，欧盟从4.2%上升至5.1%。但在土耳其的大企业中，两年的比例均保持在12.2%。根据同一调查，2025年使用至少一种人工智能技术的企业比例在土耳其为7.4%，在欧盟为20.0%。Eurostat的分析显示，2025年欧盟最常用的技术是文本挖掘，占11.8%；机器学习也落后于生成图像、音频和文本的技术。
机器学习项目应从哪里开始？
以下问题并非有出处的标准，而是一份可在项目开始前使用的检查清单：
- 业务问题是否明确？ 选择一个可衡量的问题，例如"下个月的订单量是多少？"或"这条记录是否有误？"。
- 是否有历史数据？ 监督学习需要足够多已知正确答案的示例。
- 如何衡量成功？ 事先确定将模型与现行方法（例如人工估算）进行比较的指标。
- 如果出错会怎样？ 如果错误预测的代价很高，应将结果作为建议而非决定使用，并由人作最终决定。
结论：企业应如何为机器学习做准备？
机器学习是从数据中学习规则的人工智能方法；在企业中，它主要用于预测、分类和分组。土耳其的使用程度落后于欧盟，且集中在大企业。正确的起点是一个明确的业务问题和可靠的历史数据。如需评估机器学习是否适合您的流程，可以通过联系页面与我们联系。
本文仅供一般参考。Google是其各自所有者的商标。
#interimmanagement #forwarddeployedengineering