广问AI新闻资讯 机器学习是现在大家都想利用的技术。但是，多数人认为只有那些懂技术的专家才能用好它。
其实，现在机器学习已经渗透到了各个领域，并且对用户非常友好。
或许你还有疑虑：机器学习工具能帮助我们解决问题吗？下面这几个很棒的案例可以告诉你。
预测植物是否得病
热带的木薯植物容易得各种疾病，如果你是个有经验的农民，你大概知道出现上图这种棕色的东西意味着植物得了什么病。
问题是，并非所有农民都那么有经验。而且，随着气候的变化，木薯植物会出现了新的疾病类型。
但是在AI时代，农民可以通过手机给植物拍照上传到云，实时获取植物的诊断结果。
视频自动生成字幕
还有视频自动生成字幕的案例。从某种意义上说，这只是语音识别，但也不完全相同。语音识别技术是，你对着麦克风说话时，一次只有一个说话人。而字幕生成时，有不同的声音在响，如撞车声、爆炸声等。
而生成字幕的任务，不仅是把视频中听到的词语组合在一起，你需要判断出哪些词语需出现在字幕中，哪些应该忽略，你还得考虑何时要加一些备注（如用括弧添加“音乐响起”之类的说明）。可见，字幕生成比讲话识别要复杂得多。
而这类问题正是机器学习的用武之地。机器学习可以告诉你：虽然无法预知要发生的一切，但根据以往的案例，我们仍然可能做出某些判断。
拍照不用专业相机
很多人喜欢用专业相机拍照，不仅因为更清晰，专业相机的镜头还可以把背景虚化，拍出的照片更有美感。
在机器学习背景下，软件可以做到这一点。虽然我们不能用软件处理相机上的镜头，但我们可以分析一张图片，找到前景是什么、背景又是什么，然后对背景进行适度虚化。
上图展示的每一张图片，都显示了机器学习能做的工作。
分析偏见是否存在
偏见普遍存在，最明显的体现是在电影中。在电影中，我们可以分析每部电影的角色画面时间和角色发声时间，然后用机器学习技术自动分析：谁在画面中做什么，谁是主角，谁是发声角色等。分析结果可能略显复杂，不过数据基本能认定偏见的存在。
当女性是影片主角时，她的画面时间要多于男性角色，但只多一点。而当男性是主角时，他们的画面时间要多得多。这说明偏见确实存在。
大幅提高工作效率
这些例子说明：机器学习能够告诉我们很多，而且并不是机器学习专家才能使用。只要有探索目标、探索方向，直接告诉技术人员，希望当天提供分析结果，这时候，机器学习就能帮上大忙。
我们不需要在每个环节都咨询专家，只要提出想要解决的问题，使用更快、更好、更经济和更新的方法，利用机器学习的各种应用软件，就能解决这些问题。因为机器学习已经给我们提供了可以轻松使用的工具。
