近幾年，企業執行長們都日益重視可運用機器學習或人工智慧，來協助公司轉型。然而，讓內部的數據科學團隊自行開發，會耗費過多時間在建立和維護系統。其實，現在市場上已經有許多平台，提供各種層面與需求的現成系統，企業不但可以挑選購買自身需要的系統，還能推出自己開發的演算法。執行長可以根據自身企業的需求，判斷預算要花在何處。
將近兩年前，西雅圖運動科學公司（Seattle Sport Sciences）進行重大轉型，跨足人工智慧（AI）領域；這家公司專門提供數據給足球俱樂部高階主管、教練、訓練員和球員，以改善訓練。他們開始開發一套系統，可追蹤影片裡足球的物理運行狀況和球員的動作。為了打造這套系統，公司必須標註數百萬筆的影片畫面，以教導電腦演算法要在影片裡找什麼。首先，他們雇用一個小型團隊坐在電腦螢幕前，辨識每一張畫面中的球員和球。但他們很快就發現，需要一個軟體平台才能擴大規模。不久後，他們重金禮聘的數據科學團隊，把大部分的時間都花在建立一個能處理大量資料的平台。
在目前的風潮當中，每位執行長都可以看到（或至少察覺到）一些機會，可運用機器學習（machine learning）系統來改造本身的事業。幾乎每一家公司都有一些流程適合運用機器學習，這其實只是一種教電腦辨識模式、根據這些模式做出決定的方式，而電腦做這些事情比人類更快、更正確。路上有隻狗擋在我面前？踩剎車。X光片上有腫瘤？提醒醫生注意。地上有雜草？噴灑除草劑。
只有業內人士才知道，數據科學家獲得雇用之後，花在打造和維護人工智慧系統工具的時間，多於打造系統本
在目前的風潮當中，每位執行長都可以看到（或至少察覺到）一些機會，可運用機器學習（machine learning）系統來改造本身的事業。幾乎每一家公司都有一些流程適合運用機器學習，這其實只是一種教電腦辨識模式、根據這些模式做出決定的方式，而電腦做這些事情比人類更快、更正確。路上有隻狗擋在我面前？踩剎車。X光片上有腫瘤？提醒醫生注意。地上有雜草？噴灑除草劑。
只有業內人士才知道，數據科學家獲得雇用之後，花在打造和維護人工智慧系統工具的時間，多於打造系統本