企业需要充分利用已有的大量非结构化数据，而深度学习应用程序无疑是企业完成数据分析工作的好帮手。

在Twitter公司，Hugo LaRochelle的工作是研究社交网络用户彼此之间是如何联系的，以及想要对内容（包括微博、图片和视频）进行分类和推广，用户会对哪些内容感兴趣。为了顺利完成这一任务，他和他的同事们使用了一种新兴技术：深度学习工具。

LaRochelle分享了在波士顿“深度学习峰会”上发表的演讲。深度学习属于机器学习的范畴，可以帮助解决一些复杂的问题，如用自然语言解释图像或文本。当数据分析应用程序涉及非结构化数据或需要主观解释时，深度学习技术（很大程度上依赖于神经网络的使用）比传统的机器学习更加有效。

深度学习正迅速成为高级数据分析领域的一个热门话题。LaRochelle表示，在过去的五年里，研究人员和企业分析小组一直在努力寻找分析非结构化文本、图像和视频数据的有力工具，而深度学习技术在此期间也取得了显著的进步。

强大的开源工具的可用性是另一个关键的催化剂。LaRochelle说，他的团队采用的是谷歌的Tensorflow和Torch，这些开源的机器学习平台是由Facebook、谷歌和Twitter的研究人员开发的。这些工具使得数据科学家和其他分析师建立深度学习应用的过程变得更加简单。

“所有这些因素结合在一起，使得深度学习获得巨大的成功，”LaRochelle补充道。

大数据在深度学习中意义重大

除了组织存储的数据类型的不同，数据的绝对量是促进深度学习工具和技术发展的一个关键因素。Affectiva的首席科学家和研究部总监Daniel McDuff表示，新兴公司积累了足够的数据后，技术才能更好地发挥作用。

Affectiva的前身是麻省理工学院媒体实验室在2009年推出的一个研究项目。最初，该公司的研究人员试图用一对夫妇的视频“训练”面部识别软件，用该软件能够解读实验者的情绪状态。多年来，Affectiva为数以百万计的人像镜头建立了视频库。现在，McDuff的机器学习算法能够更加准确地判断人的情绪。

“过去，可用的数据量不可能用来训练这些模型，”他说。但现在，该公司的研究小组有一个“丰富的信息来源”，这大大提高了其分析模型的准确性。

深度学习业务案例

虽然很多深度学习项目仍处于研究阶段，但应用该技术解决传统商业问题的案例越来越多。基于深度学习的软件已经逐渐渗透到日常生活中。

例如，现在许多人很愿意在手机上和虚拟的私人助理交谈；医生在护理病人的过程中使用计算机辅助决策系统；自驾汽车可选择的道路越来越多。很快，各种类型的企业客户期待同样无缝的用户体验。

企业可以充分利用深度学习工具。例如，以更自然的方式实现自动化客户的互动是最典型的技术应用。但分析团队需要做更多的功课，真正了解企业应该如何使用深度学习工具。

世界在改变，技术在进步，人们需要更加了解这项技术背后的故事，而不是盲目地恐惧和逃避。