随着机器学习使用的增加，许多人需要了解使用机器学习训练数据的好处。如果用户使用的是基于机器学习的系统，则需要有关训练数据的知识。在将数据加载到AI模型进行模型训练之前，必须对其进行适当的格式化并确保其准确性。假设用户正在公共云中使用流行的机器学习系统创建欺诈检测引擎。首先，您需要创建一个数据集来训练模型：在本例中，有数百万条标有欺诈交易的交易记录。这样，该模型可以了解哪些可能是欺诈，哪些不是。当然，有不同类型的训练数据，有些有标签，有些没有。在训练之后，这样的模型实际上可以通过学习可能的欺诈而不是从经验中学习来继续训练。如果用户有时间，该模型可以通过监控被工作人员或其他系统标记为欺诈的交易来训练自己。这种人工智能训练方法令人印象深刻的是，用户需要一个完善的训练数据集。在某些情况下，它可以从公共或专有的训练数据代理中获得。在大多数情况下，用户可以格式化自己的数据来训练机器学习模型。但是有没有可以随时随地训练的机器学习模型呢？这个想法并不新鲜。自AI诞生以来，人们就一直试图让一个AI引擎去教导另一个AI引擎，即共享训练数据。或者更好的是，通过自动直接交互来分享知识和经验。或者通过AI引擎导师提供外部经验，让AI模型更有价值、更有效。这说起来容易做起来难。机器学习引擎通常不会相互交谈，即使它们使用相同的软件也是如此。对于独立学习者，它需要从头开始设计，并与非人工智能系统或人类互动。但是，大多数供应商都在进行AI引擎之间的训练。最近人们将看到一些可能改变游戏规则的主要趋势：首先，是使用按需或基于SaaS的AI引擎，这些引擎可以与公共云或本地的其他AI引擎交互。将它们想象成SaaS，一个专门向其他AI引擎传授特定技能集的云平台，从发现欺诈交易到医疗诊断再到机器维护等等。其次，AI引擎能够结合自身的教学模型，打造出各种AI的超级大脑，不仅可以提供领域外的体验，还可以结合自身的训练数据，提供局部和全局的体验。提出这一点的原因是，大多数企业如果要从人工智能（包括机器学习和深度学习）中获得更多价值，就需要了解这些趋势。而且，许多企业都在为没有足够的训练数据来使机器学习正常工作而苦苦挣扎。这可能是解决这两个问题的好方法。
