深度学习能否很快对商业应用产生巨大的影响
当互联网兴起并爆发的那一段时间，无数企业争相涌入互联网行业，寻求互联网与自己所从事的行业相结合的方式，期望产生出巨大的经济效益。在这一阶段衍生出一大批优秀的互联网服务企业为用户制作网上商城，开发APP，管理系统如OA,CRM,ERP等，我所工作的武汉派狐软件有限公司就是这样一家高科技企业。
2016年深度学习通过媒体炒作成了一个引爆时代的话题，但雷声大雨点小，只有部分技术类的企业从事相关行业的研究和商业开发，深度学习的模型和原理确实产生了很轰动的效应，创新也是所有企业追求的动力源泉，但是为什么AI这一个领域并没有产生出一大批优秀的服务类平台公司帮助中小企业进行智能化转型呢？
首先我们拿深度学习的基本模型也就是神经网络来描述一下它究竟能解决什么样的问题。
谈及这个模型，我想有必要先介绍一下一个工科多数专业都学习过或者听说过的模型，叫做信号与系统的状态方程。
我们把这个模型简写为Y=Cx+De，其中C、D为矩阵
假设该系统是一个零状态响应系统，那么矩阵D里面的所有元素为0，该方程可以简化成Y=Cx，描述的就是一组信号x→Y的映射，输入x通过矩阵相乘得到y输出，这个矩阵中的每一个数值的意思是什么呢，如c11，代表的含义就是从x1（t）对于结果y1（t）的影响有多大，也就是x1（t）对y1（t）的权重，那么这个矩阵就相当于神经网络的第一层输入对于第二层的影响的程度。同理，如果我们把这个矩阵扩展到3维矩阵，也就是说第一次的输出y继续作为输入进行同样重复计算得到更高一层的输出。
所以通过上述的分析，我们意图在于说明神经网络就是相当于一个高维度的信号状态方程，阐述的是事物之间的输入对各层输出的影响程度。
那么我们要说明的问题是，这个模型为什么没有能大力助推商业化进程的加速发展？它适合去解决哪些问题呢？我们从图像，自然语言处理NLP，与商业应用3个不同的难度的方向进行分析。
对于图像来说一张图片的存储是怎么做到的呢，大家都知道颜色的存储方式是RGB三个通道，0-255个具体数值.图片的存储都是以像素为单位。也就是说它的存储是非常标准化，非常容易量化，而且是重量(重量这个词我们通过下文的对比来描述)相等的。在此处我们提
出一个问题，你认为神经网络识别了这张图片的结果是一个具体的事物还是抽象的事物？多数人都会回答：‘很具体啊’，结果就是猫。那么再提出一个问题，这只猫我以图片的直观方式展现给你你知道它是猫，但是如果我们把所有的像素点都拆开 ，不改变它的排序顺序，把每个像素之间插入5个甚至更多个空白，你站在仍然可观察全局的最小范围内去观察，还能准确地认出来它是一只猫么？继续思考，如果我不给你一张完整的图片给你个1000*1000px的像素数据，RGB三个同道的值形成的一个表格，那么你还能认出来这是只猫么？答案是绝对认识不出来，所以我们换位思考一下，这只猫其实对于机器来说是抽象的结果，它只是一种监督学习而已，只是一个标签。
其次我们再考虑一个问题NLP用神经网络理解为什么效果并不如图像？首先文字和标点符号可以是确定的和同等重量的。但是这里面会出现一个不可控制的语气或者歧义问题，它的重量就完全不一样了。
“足球赛场上红队大败蓝队。”这句话有人会认为红队赢了，有人会认为蓝队赢了，这是根据上下文或者语气等相关因素去推断的。所以当我们仔细考虑这个问题，可能在理解语义的时候一个词的语气或者歧义会相当大程度影响机器理解，而它又有很多可能的方式和因素来判断这个语气，所以它在系统中本身跟某个文字或者词语的信息含量是不同的，信息熵不同就导致他们的重量不同，在神经网络中模拟的效果就不如图像。
所以在此我们下一个结论，神经网络适合于去解决一些基础元素重量相同或者非常相近的，想要得出一个抽象的结果的系统，是由确定性通过模拟去判断衡量一个不确定概念的结果。那么在商业应用中，其实可以非常清晰的在线性思维中获得相同重量的模型并不多，所以很难模拟实际的商业项目。实际的商业项目多数要通过逻辑思维用线性思维方法分解，局部可以用神经网络去模拟。
武汉派狐软件公司的开发的app，小程序，微商城，可以很好的帮助企业进行信息化转型，为您在未来的智能化转型过程中积累强有力的数据支撑和数据基础，通过业务和OA等管理系统的综合应用，提高企业效率，增加企业利润，在未来的竞争中先入为主，获得优势地位。
