当涉及到神经网络时，我们只涉及表面

 
基于每天发表的关于深度学习的大量文章，可以认为深度学习和神经网络构成了人工智能创新的主体，这是可以原谅的。这就是为什么在涉及神经网络时，我们才刚刚摸清表面的原因。
尽管通过这些深度学习技术实现了令人难以置信的技术进步，但很少有组织选择实施它们。
根据SAS的人工智能和语言分析策略师Mary Beth Moore的说法，那些使用深度学习的人倾向于针对特定的用例，例如CNN(卷积神经网络)和图像识别。
即使当神经网络可以应用于其他空间(例如文本分析)时，它们也往往不如传统的机器学习方法受欢迎。
为什么?一方面，神经网络需要大量干净的，带有标签的数据。反过来，干净的，带有标签的数据需要能够处理大量培训内容的处理器，以及熟悉应用深度学习框架的工程师，这两者都会给负担不起的公司带来额外的成本。
透明度问题呢?
有点自相矛盾的是，神经网络变得越准确，它的透明度就越低。换句话说，随着神经网络的发展，查明其如何到达特定解决方案的难度越来越大。
自然，这使一些公司不愿采用一项技术，无论其结果如何准确，其结果都难以向客户和投资者充分解释。
但是，麻省理工学院林肯实验室的研究人员最近发表的一篇论文探索了一种设计神经网络的方法，该方法将使在解释结果的同时保持较高的准确性更加容易。正如作者指出的那样，尽管神经网络“最初设计时具有一定程度的模型透明性，但缺乏在复杂的视觉推理基准上的性能。”
神经网络的当前最新迭代“没有提供理解推理过程的有效机制。”
神经网络解决方案是创建“设计透明网络”。这些网络能够“直接[评估]模型的学习过程”，有助于减轻围绕神经网络的神秘感，并提供更多的责任感。
虽然这种技术的发展有望加速神经网络在更多行业中的采用，但还必须指出，神经网络本身仍有很长的路要走。
采用方面的困难部分是由于上述对大量数据培训集的需求。
数据集要求公司承担艰巨的收集，清洁和标记过程。
据估计，为了使深度学习算法达到或超过人类的性能，训练集应至少包含1000万个带有标签的数据示例。清除这么多数据是一个相当高的门槛，特别是对于那些没有能力或机会收集这么多信息的小型公司。
深度学习可以为企业提供巨大的机会。
例如，深度学习可以通过提高准确性和效率来帮助公司降低制造成本。它还可以识别新的商机，个性化客户与公司之间的互动，并使企业能够更好地应对供求变化。
神经网络通过指出有效的治疗方案，分析研究并寻找原本不会引起注意的模式，正在改变着医疗保健的世界。
神经网络是几种最广泛使用的AI技术的基础：图像识别，语音识别和翻译。
这些神经网络还能够创造艺术，创作音乐并自学如何解决魔方。还有其他功能，以前只有人类才能执行较高的功能。
无论我们能否创建有感觉的AI，事实仍然是神经网络除了执行基本的分析任务外还能做更多的事情。神经网络比其他任何技术都可以证明或向某些批评者模仿人类的直觉和创造力。