人工智能应用核心离不开算法与数据，现在数据从量上、类型上都有很大突破。但算法依然没有太大增长，即使现在吹得厉害的深度学习、强化学习依然是上世纪 80 - 90 年代内容。当时受限于机器运算、数据量少等限制，无法验证这些算法实用性，但在今天基本没问题。
不过并不是所有人都要做图片识别分类、语音对话、看图说话、写诗写歌，深度学习与强化学习算法现在还不能直接产出用户喜欢什么、市场有多大、应该怎么推广。
较好的做法是，这些数学算法结合现有成熟框架方法论，用算法指导框架方法生效。
比如阿里巴巴鲁班系统，借用用户体验框架层、视觉基本要素制定基本模板，让深度学习模拟出适合用户看双11广告的心智模型，并自动制作 banner ，推送给指定用户，大幅提升人力物力，而能数据化监视调整效果。
又如树模型相比起传统数据交叉对比、相关性分析，保留了易理解直观优势，同时能解决其临界点判定（比如活跃次数达到多少才算流失），维度解释度（有 10 个维度判断用户是否流失，这 10 个维度能百分百解释所有流失现象吗？）
再如咨询界常用的「二八原则」、波士顿矩阵，然后用相关聚类评价指标是否达到预期标准，并进行相应调整。
