框架只是在应用程序中广泛采用机器学习的中间步骤。我们需要的是更多的视觉产品，而这些可能还需要几年的时间。

当前的机器学习(ML)框架是ML的产品化过程中需要的一个中间步骤，它包含在应用程序环境中。为了真正取得成功，ML供应商需要更像商业用户，而不是程序员。开始的一种方法是学习商业智能(BI)领域提供的经验。

有人曾说过，历史是不会重演的。深度学习(DL)框架，如TensorFlow和Caffe，得到了大量的技术新闻报道，因为这正是它们的技术。为了了解它们的局限性，我们来回顾一下世代计算机语言的标准定义:

—1^st: 机器代码，二进制的0和1；

—2^nd: 汇编语言；

—3^rd: 逻辑编码的文本，我们大多数人认为是计算机“语言”，如Python、C、Fortran和Cobol；

—4^th: 具有现代用户体验(UX)的环境，如商业智能(BI)、Visual C、PowerBuilder、Oracle、SAP和其他开发工具。

每一代都允许进行更多的编程(用调试的代码行来度量)，工作量更少。最重要的是，每个级别都允许更多的人员来完成任务，因为每个级别都是一个抽象层，它隐藏了下面层的gory细节。第四代工作的重点是让人们“编程”而不用编码。

另一个常用的术语是“数据科学家”。“神话的主要问题在于，这样的人应该长期存在。”我认为这句话应该是在一个新技术解决方案的早期阶段，人们需要深入的知识来解决问题的团队。

但是，第四代列表中的第一项是BI。最初，向现有业务应用程序添加分析需要深入了解统计建模，以便用第三代语言编写信息。这是人们首次提到数据科学家的时候。

随着BI的进步，图形化开发和洞察力交付实现了更易于访问的UX，从而扩大了BI的吸引力和用户群。现在，BI的问题是“信息和洞察力交付链能够产生分析的能力有多大？”BI应用程序让业务分析人员创建了非常详细的分析，并允许业务管理通过在屏幕上拖动一些对象来做更多的事情。图形用户体验可以在业务应用程序中实现BI的爆炸式增长。

在历史的押韵术语中，框架是第三代工具。他们隐藏了机器训练的一些细节，相当于第二代机器知识，并在模块和隐藏代码中抽象出来，允许程序员用一些ML技术和能力扩展他们的应用程序。

云，非框架，推动着当前的机器学习

ML让我们看到的主要影响不是框架的力量，而是云的力量。转向云计算让核心程序比以往任何时候都有更大的覆盖范围。例如，Amazon Alexa和Echo依靠Amazon AWS来驱动应用程序。最受关注的ML应用程序非常少，但它们非常流行，这多亏了云服务器。

然而，大多数企业还没有运行在公共云上。这种情况最终会发生，但还需要几年的时间。在防火墙内的服务器上运行的软件太多了。大多数公司将为其任务关键型应用程序采用公有云的第一步将是部署私有云（保留在公司防火墙内的云基础架构和服务器场）。结果将会比公共云中的控制更多，定制更系统。

同时，ML应用程序的添加将由少数了解ML框架的高薪专家完成。因此，企业ML将专注于云应用程序，而不是雇用昂贵的内部资源。

商业智能的增长应该通知机器学习的增长

过去十年中，第四代BI工具开始获得动力，取代了早期的工具。IBM公司收购了Cognos, SAP收购了Business Objects和Tableau，开始大力改变他们的软件，以便在交付分析和开发周期中变得更加直观。

由年轻的BI公司接受UX和云驱动的变化在过去的十年中改变了BI的面貌。可视化无处不在，管理层可以做更多的事情来实时调查自己的业务。

在ML中也需要同样的改变，容器仅仅是一个开始，封装了ML代码和环境，你可以把它看作是“类固醇模块”，但仍然需要第三代知识来利用它们的力量。

我在寻找的是第一批开始提供视觉工具以将ML添加到现有视觉开发环境中的公司的兴起。这将使更多的人能够利用ML而不必离开自己的专业领域并成为机器学习专家。

我在BI领域听过太多的分析了，直到今天，我还在讨论BI的挑战是如何教会业务用户像数据科学家一样思考。他们讨论了如何培训业务用户，让他们更像程序员。这是倒退。

数据科学家面临的挑战就像商业用户一样思考。ML专家也是如此。他们开始越来越像商业用户那样思考，并开发工具让商业分析师和管理人员能够充分利用ML的力量，而不必像“ML科学家”那样思考，ML的潜力将越快成为现实。