机器学习（Machine Learning）在当下是个热门的话题。它有巨大的改变整个市场和行业的潜力，然而现在的言论中也有许多掺杂着炒作的成分。

Redpoint Ventures的投资人，Medha Agarwal，写了一篇长文，以投资人的角度告诉大家机器学习的潜力股。他表示，作为投资者他相信一下四个关键特征，是区分机器学习中的赢家：

1. 在广大市场中有具体的用途。成功的机器学习创业公司应成为有针对垂直应用的、有明确需求的技术。消费者包装产业就是个很好的例子，机器学习可以更准确地预测库存水平，以更好地管理供应链，降低库存成本，最大限度地减少过剩产能需求，并消除缺货这种情况。根据埃森哲的研究数据表明，机器学习可以使交付时间提高4.5倍，供应链效率提高2.6倍。

2. 关注重复人工参与的领域。强烈的人工干预意味着存在利用复杂预测算法进行优化的机会。在同样的供应链示例中，现在的分析师们会根据一些历史数据来估计库存需求，但很多时候也是凭直觉。通过利用生产时间、销售率和其他数据，学习模型可以更准确地预测未来的需求。

3. 大量的可预测数据。创业公司需要大量的数据来有效地训练机器学习模型。他们可以和更大更成熟的公司合作，利用别人的数据学习，或者建立一个吸引用户输入自己的数据的产品，如果能做到这一点，这个创业公司很有可能成功。

4. 网络效应和防御性。算法将继续是开源的，这使得专有数据特别重要。而反馈和系统输入则提高了其准确性。因此产品应该鼓励人们对其预测和建议提供反馈。

可投资的类别

Medha觉得以下垂直领域，机器学习是有很大潜力的：

医学诊断和计算机生物学。机器学习将改善整个医疗保健价值链，并降低成本。改善诊断，减少错误，简化药物发现过程，这个潜力是让人灰常兴奋的。患者数据可用于早期检测疾病和个性化治疗计划。制药的生物技术公司可以使用计算方法快速有效地发现比目前市场上更有效的新药。

供应链。机器学习可以改善供应链的几个方面，包括需求预测、市场趋势、贸易促销和新产品。现在的公司很难估计不断变化的市场模式和波动情况，而机器学习可以为业务决策者提供信息，并进行准确的预测。

制造业。工业物联网是一个价值高达120亿美元的市场。根据Genpact对173名高管的全球调查，只有25%的人有物联网战略，只有24%的人对执行感到满意。这些高管正在寻找机器学习的解决方案，来提高产量，减少库存和成品水平，推动真正的成本节约和利润机会。

合规性。金融机构的合规部分是一个巨大的市场。自2008年以来，仅仅JPMorgan一家公司，就已经支付了360亿美元的定居点和罚款，并雇佣了8000多名做合规和控制的员工。机器学习可以改善客户和员工遵守银行和其他公司必须遵守的审计和合规性法规的过程。

企业级语音服务。尽管分析语音是业务工作流的关键组成部分，但它的复杂性使得语音处于机器学习趋势的边缘。来自NewVoiceMedia的2013年的研究报告称，由于呼叫中心效率低下，每年的损失在410亿美元左右。每年有240万内部销售代表，每年花数百万个小时在与用户沟通交流上。因此，很明显，在呼叫中心、销售、营销方面的自动化流程中存在很大的机会。

保险。保险是一个庞大且范围广泛的类别，机器学习可以帮助保险公司以更低的成本提供针对性的产品。比如，汽车保险公司可以使用驾驶和其他行为数据单独定价、溢价，或使用更好的欺诈检测，来降低其总体成本结构。咨询公司KPMG将机器学习描述为保险业的“制胜法宝”。

个人财务。新的数据和分析模型解锁（比如信用产品）以前是对千禧一代来说是不可用或不期望的金融产品。此外，智能自动化系统通过追踪行为并根据偏好和目标提供建议，降低了为消费者提供个性化建议的成本。Erin Shipley和TX Zhou在科技媒体Techcrunch上写过一篇关于人工智能对财务影响的文章，包括通过基于用户行为的个性化推荐来推动财务健康。

个性化教育。传统教育的一个主要局限在于，尽管学生的理解水平和学习风格不同，教师必须为整个班级教授标准化的课程。如果有公司能利用数据帮助家长和学校识别问题领域，为每个学生提供个性化的课程，根据他们的问题和风格提供量身定制的计划，会怎样？这不仅能改变教育状况，而且提供了一个重要的经济机会。截至2013年，美国每年花费在公共教育上的资金为620亿美元。

以下领域是Medha并不感兴趣的：

只是“人工智能”的公司。人工智能和机器学习永远不是最终目标，而是需要让它们在现实生活中为人所用，为人服务。

Chatbots。Medha觉得这项技术根本不够先进，还不足以通过广义聊天及为用户提供积极的体验。