年薪百萬的機器學習專家，到底產生了什麼價值，專門搞機器學習演算法研究的出路在哪裡？

01-03

本題已加入知乎圓桌 ?「機器學習 · 學以致用」，更多「機器學習」相關話題討論歡迎關注。
小公司估計不容易玩轉機器學習。大部分業務是不需要什麼高深的機器學習演算法。
在大公司，業務部門每周提給專家的預測需求，卻很少能夠短時間回應。機器學習專家給公司帶來的實際價值彷彿沒有。
那麼請問，
年薪百萬的機器學習專家們，到底產生了什麼價值?

另外：機器學習已經開始工具化成為多數工程師的日常工具了，專門搞機器學習演算法研究的人員出路在哪裡呢?

並沒有邀請，但還是想回答下。

我先回答價值問題，說兩個自己親身經歷的事情。

1. 和民生銀行科技部的一個高管聊天，他說他們用了一個演算法模型，上線後業務量翻翻

2. 2015年阿里雙11，天貓推薦演算法團隊拿了個CEO大獎，團隊獲獎100萬，因為他們的演算法，當天的GMV有大幅增長。

我想老闆都不是傻子，你拿百萬年薪創造的價值肯定遠大於這個數，要不然，在這個百萬年薪的位子上呆不久。

第二個問題，演算法研究的出路。

目前機器學習工具的使用門檻確實很低，但我面試過好多候選人，如果只會用這種工具，但演算法功底差，我是肯定不會考慮的。

但講真，任何一個領域，永遠是不到10%的人造工具，造槍炮，剩下的90%是使用者，做應用。就像做晶元的，只有intel那麼幾家，其他人都是用intel晶元做各種不同的產品。這部分人雖然少，但必須是頂尖水平的是，google的好多工程師就屬於這類人。你看現在機器學習的工具那麼多，但你可以問主流的互聯網公司，他們的業務問題有沒有用現有的演算法解決不了的，我相信任何一家公司都有這種問題。這些問題，就是演算法研究存在的價值。

不請自來。

舉個大公司的例子，搜索廣告領域，點擊率預估，引入簡單的LR模型，以百度為例子，以前假如收入每天5000萬，點擊率如果提升10%，其他條件不變的情況下，收入一天就要多500萬。

百度的點擊率預估團隊又豈止將點擊率提升10%. 這就是機器學習在大數據下的驚人的經濟效益。

谷歌當年的點擊率預估團隊也是一邊演算法迭代上線，一邊看著收入不停上漲。那叫一個爽。所以演算法研究不僅僅有學術意義了。

這僅僅在點擊率預估一個方向上。為了優化搜索效果，提升用戶體驗，讓更多人使用搜索產品，在非商業產品領域，使用到很多機器學習演算法。這是在搜索領域。

還有很多領域可以使用，創造價值遠超百萬年薪。

我所在公司是一家初創公司，產品上線一個機器學習模型，用戶點擊率上升30%到50%，人工運行估計很難達到機器學習這樣的效果。

所以機器學習的作用不言而喻，這類人才也就很值錢了，有遠見的公司都願意在這個方向上投入很多，以期在競爭中占的先機。

機器學習人才，前途和錢途都會很好。

這個問題不知道難度或者困惑點在哪。首先，這個跟公司大小沒關係，還是看業務。一個人乾的公司全靠機器學習也有，幾萬人的公司，完全用不上機器學習也有。那麼專家值不值，就看機器學習能帶來的價值和問題難度。有些東西不是專家一般人是搞不定的，如果這個問題很重要，那麼別說百萬，千萬上億都得請。

問題1：到底產生了什麼價值？
價值在於：1.提供給公司或者僱主更多的利潤2.提供給用戶更優秀更便捷的體驗3.拓寬了行業更多可能路徑

場景1：
如果在電商平台中入駐的商家想要賣出更多的東西就需要電商平台幫住通過push、簡訊甚至郵件的方式引流，提醒存在潛在購買可能的用戶「來來來這家店不錯」，通過這種方式的收費其實是空手套白狼，投入產出比巨高
那如何尋找到合適的用戶推薦給合適的商家呢？以手機為例子，不同種的方式的效益2對比：
方法轉化率單均收入隨機抽樣1%2000簡單的邏輯（瀏覽搜索收藏）篩選2-3%2000-3000協調推薦+交叉銷售3%-5%3000監督學習9%-10%3000-5000
數據處理過，但是數據相對比例真實可信。

以上一次活動，以10000人去算，商家收入由1%*10000*2000增至10%*10000*4500，商家利潤按10%計算，平台抽成利潤的20%，那就是沒有任何物質成本（電費除外），商家額外盈利56000，平台額外盈利14000，這種事情誰不願意。

在平台中，可行的方面多如牛毛，現在廣告CTR，商家推薦，用戶聚寶盆，小區潛力，用戶消費能力，每一方面每一次都是錢，問這種事情，請幾個機器學習的員工，我想沒有人不願意，況且這種低端的，我們這種幾十塊錢的貨色都可以完成

價值就是，提供給公司或者僱主更多的利潤，就是高到不忍直視的ROI。

場景2：

如果在X程、飛X、X牛、同X上，想優化用戶的體驗，最直接的方式是什麼？

猜你想要，猜你想去，猜你還想去

上海飛往北京：

這裡有若干張機票，如果沒有任何邏輯，初始排序要麼按時間，要麼按價格，總之按照程序員的想法去做排序呈現就行了

這裡，如果有運營同學，就會說，不行，我覺得這個老王每次都買高價格的機票，我要給他每次把高價格的機票放在上面；產品同學聽了說，這哪裡可以，這個老王每次都晚上走，我要把晚上的機票放在上面...

其實這樣做都有道理，都有可行性。如何做出一個更好的決策，或者說如何針對不同的用戶，呈現出更合適的呈現方式，就需要機器學習的幫助。

簡單的說，我們可以知道每個人真實的想法和意圖。

我們可以通過分析用戶的屬性判斷他是不是因為是商旅用戶才買高價機票，這樣五一這種假期，我們就不用優先呈現高價機票而應該優先呈現中等價格同時9點附近的優質出行機票；我們也可以研究老王是不是每次出行時間，看看老王是不是因為周五上班晚上回家，所以才每次這樣選擇，下次老王周五在登陸的時候，優先推送周五回家票，還可以寫點」回家平安「軟文，這樣的用戶體驗，99.9%通過人力難以完成。

提供給用戶更優秀更便捷的體驗，賺了錢的同時還讓你的顧客願意為此買單，這也算是價值之一吧。

場景3：

14年以前，租車都是線下的實體的，老老實實的開門店的，交著水電費，交著房租，還要額外的人力開支，用戶上門取車各種不方便。

為什麼要做這麼累的事情？

有一部分，只是說有一部分原因是因為風控。如果用戶在網上可以下單，拿著車走了，誰來保障車輛的安全？一輛車少說也要10萬左右吧，這樣的風險當時沒有任何一家企業可以承受的起的。

說一個數據，2‰，可能並不精確，但是有一定的借鑒性，這就是傳統開著門店的租車行業的車輛丟失率

按某租車公司披露的日均訂單量5000單算，按70%的老用戶+30%的新用戶計算，每日存在5000*30%的車輛是首次出租，在按照2‰的丟車來算，每天存在的風險車輛是2輛左右，20w的潛在風險

日薪二十萬，不，日薪500塊，你就可以招一個機器學習的員工，現在行業中滴滴出行也在做租車，從2016年7月至今，1輛車都沒有丟失，用的就是滴滴平台大量的出行數據信息+第三方徵信數據，至於怎麼做，行業里有很多很成熟的方法：打分卡模型，FICO、AHP等等，任何一種，都可以讓原本很捉襟見肘的問題得到一定程度上的解決，而公司所付出的就是一些HC。

這些事情在沒有機器學習之前，可能是不敢，也可能是沒有能力，而現在成為可能。

問題二：出路在哪裡？

11年我在讀大學，那時候，我讀的是數學系，很多人問我你讀數學系以後準備幹嘛？教書么？

說實話，當時我也不知道我讀數學系的出路在哪裡，一不想考研二不想當老師的我當時也很矛盾。但是，我挺相信這麼一句話：不是不行，只是還沒有到行的時候。

挺繞口的一句話，現在越來越多人來搞機器學習了，學計算機的，學經濟的，學生物的...，知乎上的問題也越來越多，我也回答過一些問題，之後越來越多，千篇一律，後來索性我就視而不見了。

出路在哪裡？

對於那些，看著機器學習火了，去亞馬遜買了兩本書，回家下載了python，三周打開不超過三次的人，沒有出路。

對於那些，張口spark，閉口hadoop，一言不合就開始machine learning、deeping learning實則連梯度下降都不知道原理的人，沒有出路。

對於那些，看著《機器學習速成》、《七天讓你精通深度學習的》...的人，一樣沒有出路。

20年前，我們不知道什麼叫做機器學習，我們活的挺很開心。

其實，我不關心自己的出路在哪裡，我只想做好當前的事情，儘力讓自己的所學去改變一點周遭的世界，一點就好。

之前發過的文章：年薪百萬的機器學習專家，為什麼不產生價值？

供參考吧~

「範式大學系列課程」第 3 篇文章：年薪百萬的機器學習專家，為什麼不產生價值？

Part 1

一個朋友的企業，他們招聘了 2 名機器學習方向的數據科學家，加起來年薪百萬。

但一段時間的蜜月期後，他們發現機器學習專家沒有給公司帶來實際價值。高管們不知道他們具體做了什麼，業務人員每周都給他們提出預測需求，卻很少能在短時間得到回應。

不到一年，公司和機器學習專家們就不歡而散了。

Part 2

巧合的是，從他們公司離職的機器學習專家是我的朋友。

當我問他這個問題時，他說自己每天都忙得不可開交，卻得不到公司其他人的理解。他和我描述了自己的工作過程。

他花了很多時間搭建了機器學習需要的計算環境。

他花了很多時間做建模前的數據清洗和處理。

他花了很多時間做模型選擇和參數調整，以得到更好的結果。

他花了很多時間做實時預測的功能，為了達到毫秒級的延遲花費了大量心血。

……

實際上，要完成一個機器學習的模型要做很多事情。團隊人數本來就少，事情又多，他的興趣只能集中在模型本身上了。

至於這些模型對應的業務問題，例如怎麼定義問題，確定哪個指標？雖然也重要，但他覺得這些主要是業務人員去解決的。

（估計業務人員也覺得，這是屬於機器學習專家解決的事情）

Part 3

實際上，這個問題不是個例，大部分公司在引入機器學習專家後，都會面臨這樣的疑問。

來自 MIT 的機器學習研究員 Kalyan Veeramachaneni 曾經做過一次調查，在一個 150 個機器學習愛好者的小組中，他詢問說：「你們有多少人建立過機器學習的模型？」大約有 1/3 的人舉手。而當他進一步問：「有多少人使用這個模型產生價值並衡量它？」結果沒有一個人舉手。

換句話說，機器學習專家們把 90% 的時間都放在了數據準備、處理、特徵工程、建模、調參上，而背後的業務問題和商業問題，很多時候沒有納入嚴格的考慮。

但是要讓數據產生真正的價值，就要把數據和商業價值聯繫起來，這至少要花費 50% 以上的精力。

Part 4

相比之下，更為理想的局面是建立機器學習工程和商業價值之間的平衡。一般來說有 5 個原則：

1.從最簡單的模型開始
邏輯回歸或者那些基於隨機森林、決策樹的模型，就足以解決大部分的問題。所以你的重點，應該放在縮短數據採集和模型建立的時間。

2.探索更多問題
相比於通過一個難以置信的模型探索一個業務問題，你應該探索數十個問題，然後為每個問題都創造一個相對簡單的預測模型，並評估模型背後的商業價值。

3.用全部的數據和特徵訓練模型
過去機器學習的能力不夠，很多時候是依靠人力篩選出樣本數據和特徵進行模型訓練。但隨著計算資源越來越便宜，人力成本越來額越高，你應該用全部的數據和特徵訓練模型，以得到更好的效果。

4.業務驅動模型
讓機器學習專家和業務人員有更多的配合。實際上，很多想法都來自於業務部門的設想，機器學習專家和他們一起探索出對公司有價值的解決方案。

5.專註於自動化
為了更快地獲得第一個模型，縮短探索問題的速度，公司要自動執行通常由手動完成的任務。我們發現在不同的數據問題中，背後都應用了類似的數據處理技術，無論是在數據清洗、準備階段，還是在數據建模階段，亦或是在模型上線階段。

Part 5

這 5 個原則說的是，如果說機器學習是一場戰役，過去強調的是戰士的能力和經驗，現在則更為強調軍火的選擇。

就像在伊拉克戰爭中，美國部隊強調的是每平方公里的彈藥投放量，最終投放了 60 億顆彈藥。雖然是一個不太恰當的比喻，但是機器學習未來的趨勢就是大規模機器學習平台的出現，通過大規模計算解決具體的業務問題。大規模機器學習平台，就是企業未來最重要的軍火。

所以對於機器學習專家來說，他也許不能一個人就把事情做完，但是給他工具就可以了。

Part 6

在我的介紹下，那位機器學習專家又回到了那家公司，1 個人，1 個月，完成了過去 1 年都沒完成的工作。

參考資料：
Why You』re Not Getting Value from Your Data Science
Data has no value if it lacks a purpose
The Missing Link in Why You#x27;re Not Getting Value From Your Data Science

強行答一下。

上次採訪時，量子位將一個類似的問題拋給了阿里雲的人工智慧首席科學家閔萬里（山景）博士，以下是他對這個問題的看法：

「我這樣講吧，十年前我是這樣的狀態。十三年前，那時候我剛剛博士畢業，我以為模型能解一切的問題。後來我很快發現了一個瓶頸：在你做的研究，發表的學術論文中，有非常多的假定條件，『如果XXX……』，對吧？」

「一個理想化的產品，從實驗室走到實際生活中，這當中有非常大的不同。很多條件假設，都是不成立的，系統完全不支持。這種情況下怎麼辦？或者說，整個業務流程當中，根本沒有這樣的數據。又該怎麼辦？」

「所以其實，人工智慧領域，越是那些高大上的人，越難落地——他鑽得太深了，以至於不接地氣了。他不知道現實之中，該妥協、該變通的地方在哪裡。我招的一些人也有這種情況，總是沉浸在細節的改進上，但其實，只是在一艘要沉沒的大船上做內部裝修——最後船還是沉下了水」，山景給量子位舉了一個形象的例子。

在他看來，不少人工智慧專家（尤其是從大學出來的），都存在不接地氣的問題。

「去了公司壓根沒想過業務是什麼。對業務場景的提煉其實比做研究還要難，你要知道哪些地方該放棄、該妥協、可以放棄、可以妥協……但是很多人沒有意識到這一點，以為只是寫文章發paper就好了」，山景說他後來明白髮paper只是業務中一個環節而已。

來自山景的建議是：人工智慧專家先忘掉自己的專家身份，多跟業務的人學一學。這樣才可能實現接軌，才有可能創造價值。不然的話，你創造的價值永遠只是文章，沒有人能去把它落地。

而對於AI人才的職業選擇，山景的建議是去那些「有業務的公司」。

「像有些人工智慧的創業公司，說我搞圖像識別，成功率到了99.9%，這種公司其實沒前途的，因為它沒業務。我見過太多這樣的公司，一開始還關注它們的發展，後來發現它們大部分都被收購了，或者說偃旗息鼓了。這些都是偽創業。」

同時山景表示，阿里其實沒有固定的人才培養模式，都是放到實戰中去練兵。

quantitative model, machine learning, data mining, statistics, business analytics, actuarial science等等這些學科都是量化方法在各行各業的運用，其中精算師基本上在保險公司站穩了腳跟，有著很清晰的職業發展路徑，很多最後也可以轉向其他崗位；統計學家在藥廠也站穩了腳跟；量化研究員在各個量化基金更是站穩了，很多老闆自己也是量化出身。但對於其他很多領域，別人對量化方法的作用還是半信半疑，所以地位和待遇都不會太高，而別人往往有過高的期望，最終很容易不歡而散。。。我當年第一家公司就是這樣。。。

技術驅動業務才是未來的趨勢。

需求是沒有止境的，傳統汽車軟體能放個歌、導航一下就覺得很厲害了，現在的汽車軟體呢？可以語音識別，自動駕駛。這在幾年前幾乎是人們不敢想的，但技術的進步，就可以把業務做到極致，滿足人類的想像力。

大部分業務還沒有用到機器學習，那還是因為技術沒達到而已。像機器人客服，語音識別，自動故障診斷，是不是每個公司都想要的？再傳統的流水線，如果你只要對機器說幾句命令，而不需要用複雜的界面按鈕或控制閥之類的，用戶體驗是不是有極大的提高？更不用說，智能醫療，智能法律顧問，智能廚師，將會給整個社會的運行效率帶來多大的提升？

而技術是需要孵化的，你今天見到google牛逼的一塌糊塗，是因為人家N年前就開始這方面的研究了。N年間產生了無數的研發費用，但一旦google的智能佔領市場，不僅分分鐘回本，而且收益的可持續性會非常久，甚至成為google利潤的新支柱。所以你想要之后豐厚的利潤，前期就需要大量的投入。這些機器學習專家的價值，自然是公司未來的潛力利潤來源，而且並不需要每個專家都有突破性發展，公司投資10個研究項目，只要一個能出成果，就賺了。至於這方面的人才為什麼這麼貴，還在於稀缺性，畢竟機器學習的爆發期很短，或許過幾年，搞機器學習的就變成遍地都是的普通碼農了，亦如當年的互聯網。

專門搞機器學習演算法研究的人員出路在哪裡呢? 當機器學習成為普通碼農的工具，搞演算法研究的，自然也要提升一個檔次，比如強人工智慧的研究。

作為干過幾年這個百萬年薪職位的人，得替同行們解釋一下。

首先排除職業素養差的例子，這個跟職位無關，什麼職位上都有拿錢不幹活的人。

剩下的大多數，從三個方面說一下這個價值:

第一，產品產生的直接價值。有明確需要的公司，機器學習能幹的事情非常具體，比如推薦、排序、優化、個性化等例子，這裡面百萬年薪的價值在於「我知道」。你隨便上網下載個開源的推薦引擎，怎麼套上自己公司的數據？歷史數據怎麼處理？怎麼分區才能使模型穩定？隨便搞個SVM演算法包，怎麼設定參數？怎麼根據數據調整參數？為什麼別人推薦排序看起來不錯，你也用了同樣的軟體，甚至同樣的演算法包，甚至數據都差不多，結果就是不怎麼地？百萬年薪大部分是給「我知道」，而不是給你幹活的時間。所以這樣的職位通常在有明確需求的公司，價值已經比較清晰。

第二，技術布局。需要機器學習專家布局技術發展的公司通常是大公司，有長遠發展的打算。這個時候公司的mindset不是看你的勞動產出比，而是看你產生未來價值的可能性。這更像是創業投資，公司給你資源、工資，你去發展未來可能的牛逼技術。舉個例子，我曾就職的某公司，僱傭了6個「百萬年薪」的專家，三年期間有一個專家的演算法為公司增加收入上億，另一個為公司節省成本上億（在演算法有效期限內的總和）。其他人乾的活不大容易衡量，甚至沒什麼價值。這是HR的錯誤嗎？當然不是。這裡沒體現的是所有人都參與了兩個演算法的討論，靈感都是在交流中獲得的，而且你怎麼知道誰會忽然出現一個新想法帶來過億的收入呢？所以布局看的是概率，要有足夠的基數和個體水平才能發揮效果。大多數美國公司其實都是兩者兼顧，一邊有一些當前需要的具體問題，同時有很大的空間去發展未來的技術。

第三，名片。這個比較有中國特色。有的公司為營銷需要，或者公共關係需要，拉個百萬年薪的裝點門面。比如有些政府技術扶持資金，或者什麼科技項目，有個百萬年薪的專家，申請成功率提高几倍。獲得的收益遠超年薪，所以從企業投資回報角度，偶爾也需要這樣的名片。

太假了吧，某些機構想找地方發翻譯的文章就發專欄公眾號就好了，還特地跑上來搞個馬甲提個問？我就不信這問題題目和你文章題目match到這種地步是巧合？呵呵，當群眾都是傻子？

題目標題《年薪百萬的機器學習專家，到底產生了什麼價值，專門搞機器學習演算法研究的出路在哪裡？》

文章標題《 年薪百萬的機器學習專家，為什麼不產生價值？ 》

你前兩天提問，這文章這兩天就出來了？

業務部門給專家提預測需求並且還要及時回應的公司，年薪一個億的演算法專家也沒用

我認識一個搞機器學習的傢伙，去一個上市互聯網公司6個月，變現效率抬升了30%，反映在收入上也是增加30%，你說他產生了什麼價值？

現實場景下，機器學習多數是為了優化現實交易效率，要解決實際問題。很多時候，了解「我要解決的問題是什麼」，比了解演算法本身更重要。牛人，更多的是在精通演算法和系統的基礎上，對業務邏輯有很深刻的理解。高手一出手，就知道有沒有。

當然，現實中也有些場景，數據量和數據特徵不足以支撐演算法優化，或者業務部門流程固化，不支持透過數據來優化，跑這些場景搞機器學習，就是緣木求魚。

對於任何搞現實業務的技術人員，深刻理解業務和深刻理解技術同樣重要。

換個角度來看：一個人的收入，很大程度上依賴於他為所在公司創造的價值。價值既可以指現階段通過業務的直接收入，也可以是對公司價值與無形資產的提升。

比如一位職業經理人，衡量其價值的主要標準就是前者，沒有公司能容忍高薪挖來的部門經理年復一年無法帶來業務收入的增長。而機器學習的專家則不一樣，在目前這個對於AI/ML資本青睞、政府關注、全民膜拜的階段，一位知名專家的到來可以為公司帶來估值/市值/融資額的大幅增長，品牌與行業地位的提升，人才進一步聚集的效應；這明顯提升了公司的遠期價值，也就是「勢」。這配上他的高薪，理所當然（當然，確如樓上朋友所說，部分領域的機器學習應用已經開始產生直接而可觀的價值）。

與此同時，如何將「勢」儘可能地落地變現，轉變為實實在在的業務收入，避免一段時間之後因熱點的轉移或耐性的失去而泡沫破滅，就是另外一個話題了。

然而很多一年做了幾千萬項目的碼農只拿著十幾萬的年薪，其實薪水多少和產生的價值沒多少關係，主要是市場環境決定，人才的薪水其實和菜市場的菜價一樣，受供應關係的影響最大。

機器學習很顯然是下一個技術高地，不談高潮，潮終究會退。我認為機器學習之於計算機編程，可以以瓦特改良蒸汽機來類比，機器學習會大大提高人類的計算能力，這是很明確的歷史進程，這是在計算機歷史上又一個重大提高。而在機器學習領域真正的專家，百萬都嫌少，他們於人類進程，是加速者，將人類的學習能力提高一個層次。於商業組織當中，是專利和新演算法的搶佔者，宏觀來說，誰掌握了更好的演算法，誰就掌握了生產力乃至於生產資料。這樣的人，在資本主義社會當中，註定是站在高點的。

然後回到你的問題，你問問題的初衷，顯然不是想看我上面的回答，因為和過去一樣，幾乎所有的高端科技都不產生於牆內。你看到的牆內的大潮，無非是些魚蝦，偶爾有幾條大魚，真正的鯨魚鯊魚，都在美帝那裡歡快的游著。所以在牆內「專門搞機器學習」和「真正搞機器學習」有些許偏差。

機器學習幾十年前就已經存在，在上世紀引發了相當的熱潮，不過後來因為技術的瓶頸，這股熱潮退去了;現在的AI熱，是深度學習在學術上取得的成功和阿發狗舉世矚目的圍棋表演吸引了大家的眼球，煥發了第二春，現在這麼熱還是有很大的炒作成分的...互聯網公司願意投錢，很大程度上不在於它現在能產生多大收益，而是看好未來的收益，很多是做技術儲備，真實落地的產品很多嗎，不見得。

百萬年薪請十個研究員，能產生一千萬收益嗎?我覺得大概做不到，但是現在不做基礎的技術，如果下一波技術革命真的到來，沒有這種積累，到時肯定趕不上。

但是，換句話說，假設十年後所謂AI還停留在識別圖像，計算數學模型的階段，沒有真正好的能落地的產品，那麼這波熱潮也會立刻退去。

畢竟光靠發論文，打比賽，是掙不了錢的。

嘗試站在老闆的角度回答一下這個問題。

很多細分領域的工程師可能可以做出更大價值的工作，但由於其工作效果難以量化以致待遇並不能和貢獻匹配。比如你為公司寫了一個資料庫，改進了診斷系統錯誤的流程，寫了一個前端頁面，等等，怎麼給你算工資？只能隨大流。

人工智慧領域則不同，一個演算法使用前使用後的效果特別容易量化，並反映在GMV中。老闆一看，自然願意拿出增量收入的10%獎勵他們。

共性的業務，採用機器學習雲平台或者解決方案

差異化的業務，很難直接用上第三方成果（否則怎麼差異化），需要自己有人來研發

而未來在信息更加對等的情況下，不管大小公司，差異化都會越發重要（佔據細分市場）

對其中的技術驅動型公司來說，差異化往往就來自演算法

機器學習從數據調研到最終上線流程比較長，公司管理者希望看到的往往是短期產生效益，這在機器學習方面一般是達不到的。特別是在機器學習基礎設施基本為零的公司，光搭建這套設施可能就費很長時間，所以不懂機器學習的管理者往往體會不到這些工作的價值。

我為電視台工作（不是國內的）主要收入來自於廣告投放廣告是一門學問所有廣告投放的時間段都需要數據挖掘分析來做準確的預測以達到收視率的預期每一次的預期和預期失敗都需要機器學習來進行演算法改進這樣金主們才能滿意