尽管深度学习越来越受到人们的关注，但它并不是每个场景的灵丹妙药。

　　让我们回到Autoencoder用例来实现电信公司的预测性维护。在TIBCO StreamBase中，您可以轻松应用构建的H2O Autoencoder模型，而无需通过StreamBase进行任何重新开发 H2O连接器。您只需附加由H2O框架生成的Java代码，其中包含分析模型并编译为非常高性能的JVM字节码：

　　您还可以利用深度学习做出更好的决策，增加收入或降低现有(“已解决”)问题的风险，而不是使用其他机器学习算法。例子包括风险计算、欺诈检测、交叉销售和预测性维护。

　　神经网络在大多数情况下是监督算法，它使用历史数据集来学习相关性以预测未来事件的输出，例如，用于交叉销售或欺诈检测。无监督的神经网络可以用来发现新的模式和异常。在某些情况下，结合监督和非监督算法是有意义的。

　　·TensorFlow游乐场可以亲自动手操作神经网络，无需任何编码，也可在Github上使用，以建立自己的定制离线游乐场

　　但是，不要忘记，构建分析模型以发现洞察力只是项目的第一部分。事后部署到实时与第二步一样重要。在找到见解和将新见解应用于新事件的工具之间的良好整合可显著提高数据科学项目的上市时间和模型质量。开发生命周期是一个连续的闭环。分析模型需要在特定的序列中进行验证和重建。

　　橙色的点是尖峰，这是基础设施技术问题的首要表现。红点显示了一个不断失败的地方，机械师必须更换部分网络，因为它不再工作。

　　·本地整合：连接器可直接访问外部深度学习群集。 (Spotfire：TERR使用Ras的机器学习库，KNIME连接器直接与外部工具集成)

　　今天，(公民)数据科学家使用R或Python等编程语言，Theano，TensorFlow，MXNet或H2O深水等深度学习框架以及像TIBCO Spotfire这样的可视化分析工具来构建深度神经网络。将分析模型嵌入到业务分析师视图中，以便在不知道技术细节的情况下利用它。