How to approach machine learning as a non-technical person

Ces dernières années ont vu l’explosion de l’intérêt pour les technologies d’apprentissage des machines et leurs applications potentielles. En tant que non-expert, vous avez peût-être à évaluer la technologie Machine Learning pour votre entreprise ou comme un investissement potentiel. Le jargon autour de la technologie ML est vaste, déroutant et, malheureusement, de plus en plus pris en otage par des équipes de marketing trop sûres d’elles.

Ce poste est pas une leçon d’initiation aux technologies ML; ce poste ne fera pas semblant de vous donner une explication sur l’apprentissage en profondeur ou une technologie spécifique, parce que ces concepts changent fréquemment et sont en grande partie sans rapport avec une grande partie de la prise de décision. Au lieu de cela, ce poste se penchera sur la façon d’évaluer la technologie et de déterminer si elle donnera une valeur commerciale pragmatique.

The last few years have seen an explosion of interest in machine learning technology and potential applications. As a non-expert, you’ve probably either had to assess ML technology for your product and business or as a potential investment. The jargon around ML technology is vast, confusing and, unfortunately, increasingly being hijacked by overeager sales teams.This post is not a primer on ML technology; this post won’t pretend to give you an explanation of deep learning or any specific technology, because these concepts change frequently and are largely irrelevant to much of the decision making. Instead, this post will address how to assess the technology and determine if it will yield pragmatic business value.

Source : How to approach machine learning as a non-technical person | TechCrunch