本文翻译自http://www.ibmbigdatahub.com/blog/what-do-all-machine-learning-data
对于许多财富500强企业来说，决策优化（DO）是将机器学习数据转换为更好，更快，更智能的决策的首选技术。 Steve Sashihara在“优化边缘”一书中介绍，沃尔玛，谷歌，亚马逊，UPS，万豪，麦当劳等企业通过将决策优化纳入其业务，确保了他们的领导地位。但您不必是“财富”500强公司，将机器学习（ML）和决策优化相结合，从而提升领导力。
最近我在一个行业展会上遇到了两个客户。每个都有内部数据科学团队，在机器学习或决策优化方面具有深厚的专业知识，每个人都有曾经成功应用这些技术。他们问我如何结合机器学习和优化来帮助他们获得竞争优势，特别是所有新学习的数据如何改进他们的决策模型。为了回答这个问题，我会先退一步。
ML和决策优化之间的相互如何作用在企业中日常工作？ ML模型用于生成更好，更准确的数据 - 例如，当不仅考虑历史数字，而且从天气和社交网络数据中学习时，需求预测会更好。然后，决策优化模型会获取这些ML生成的预测，并自动推荐采取哪些行动 - 例如，哪些产品生产以及生产哪些产品，以满足需求。单一的优化模型能够折衷多个业务目标，数百万个可能的决策以及数百万业务限制。决策优化模型的输出通常是一组推荐的操作，如价格点，计划和时间表。
前一段描述了机器学习如何馈送到决策优化中以产生最佳操作的基线。客户已经知道了。他们还能做什么？事实上，ML和优化之间的流程传统上是单向流，但在最先进的决策解决方案中，这成为一个循环过程：一旦优化模型推荐了一个行动计划，该计划得以实施，该计划执行的数据可以再次学习如何改进预测，如何自动制定决策模型更准确，以及如何更好地对冲风险。例如，在中央模型建议对分布式团队或卫星业务作出决定的组织中，这些分布式团队可以通过应用程序提供反馈或现场知识，然后该反馈可以与其他非结构化数据相结合，以进一步改进预测并适应决策模型实时。
这样，不仅可以预测“学习”并随着时间的推移（机器学习的典型应用）得到改进，而且决策优化模型可以并行学习和适应。同时，ML技术帮助企业生成更准确的数据，决策优化可帮助企业使用数据来产生更好，更快，更智能的决策。
智能数据，模型和算法是ML和决策优化解决方案的核心，业务决策环境是灵魂。通过决策优化应用，业务线用户可以在协作环境中快速生成和可视化计划和计划。数以百计的计划者可以在权衡，情景分析和可视化业务影响方面进行合作。无论是内部的，云的还是混合的，IBM决策优化将加速您的决策过程的竞争优势。
