深度学习是机器学习的一个变体，代表着向人工智能发展的主要驱动力之一。因为深度学习可以提供比其他机器学习方法更为出色的数据融合能力，所以Gartner预测，到2019年，深度学习将成为实现需求、欺诈和故障预测最佳性能的关键驱动因素。
“深度学习会调整数据的表达，从而扩展了机器学习，”Gartner研究副总裁Alexander Linden这样表示。“最终深度学习将解决复杂的、数据丰富的业务问题。例如，深度学习在解读医学图像以便做早期诊断方面可以给出很好的结果，还可以帮忙改善视障人士的视力、控制自动驾驶的汽车、或者认识和理解某个人的语音。”
深度学习还继承了机器学习的所有好处，在认知领域取得的多个突破证明了这一点。百度的语音转译为文本服务在类似任务中的表现要好于人类；PayPal正在使用深度学习作为阻止欺诈性付款的一种最佳方法，并将错误率降低了一半，而Amazon也将深度学习运用于最佳产品推荐中。
今天，机器学习通过深度学习最常见的用例就是在图像、文本和音频处理方面——但是也越来越多地用于预测需求、找出服务和产品质量的不足、检测新型欺诈、简化对动态数据的分析，以及提供预测甚至是规范性维护。然而，机器学习和人工智能项目取得成功需要的不仅仅是数据和算法，还需要大量技能、基础设施和业务的认可。
如何为机器学习配备人才
大多数企业组织缺乏对简单的机器学习解决方案所必要的数据科学技能，更不用说深度学习了。如果无法用易于使用的应用来启动机器学习项目的话，IT负责人就需要机器学习方面的专业技能。
“在这种情况下，IT负责人需要寻找专家，也就是所谓的数据科学家。数据科学家可以从数据中提取广泛的知识，可以整体查看端到端的流程，可以解决数据科学问题。”
Gartner预测，到2018年有80%的数据科学家将会把深度学习纳入他们的工具包中。“如果你的一个团队对数据有很好的了解，具有业务领域的专业知识并且能够带来产出，那么就可以开始机器学习方面的试水了。即使你的团队缺乏算法经验，也可以从打包的应用或者API开始做。”
成功地开始使用机器学习和人工智能
使用机器学习和人工智能为业务增加价值，这是一件复杂的事情。“不要故意地满足机器学习的所有先决条件——而是找到正确的问题来解决，”Linden这样表示。“从你使用你常用报告中的数据开始着手，例如区域订单，这是一个不错的主意。然后你可以把机器学习运用到做前瞻性预测，例如同一个订单可以根据区域预测下个月的情况，然后再扩展到事后报告中，向业务的利益相关者展示机器学习的各种可能性。”
不过，机器学习也是有局限性的。Linden说：“如果有足够的数据——例如数百万条价格信息和供货信息——去学习的话，机器学习系统就可能做出最好的决策，但是它无法判断由此产生的决策是否符合道德标准。数据科学家现有的经验和技能，与机器学习的新能力相结合，是成功采用机器学习和人工智能的成功要素。”
“对人类很难的事情对机器学习却很简单，对于机器学习很难的事情对于人类来说却很容易。”