商业分析中的深度学习：期望与现实的冲突
机器学习
2025-06-03 v2 人工智能
计算工程、金融与科学
数据库
风险管理
摘要
由全球竞争塑造的快节奏数字经济要求基于人工智能（AI）和机器学习（ML）的增强数据驱动决策。深度学习（DL）的益处多方面，但其伴随的局限性迄今阻碍了行业的广泛采用。本文解释了为何 DL 尽管流行，却难以在商业分析中加速其采用。研究表明，深度学习的采用不仅受计算复杂性、缺乏大数据架构、缺乏透明度（黑箱）、技能短缺和领导层承诺的影响，还受以下事实影响：在具有定长特征向量的结构化数据集情况下，DL 并未超越传统 ML 模型。深度学习应被视为现有 ML 模型体系的有力补充，而非万能解决方案。结果强烈表明，梯度提升可视为商业分析中结构化数据集预测的常用模型。除基于三个行业用例的实证研究外，本文还对那些结果、实践启示及未来研究路线图进行了全面讨论。
引用
@article{arxiv.2205.09337,
title = {Deep Learning in Business Analytics: A Clash of Expectations and Reality},
author = {Marc Schmitt},
journal= {arXiv preprint arXiv:2205.09337},
year = {2025}
}