传统工科的定义很广泛，我来提供一些机器学习在数据中心（Data Center）上的案例，权当做机器学习在电子、计算机工程、机械工程上的一个应用。

Google的数据中心就利用了人工智能来控制耗能。根据2016年的新闻，谷歌利用人工智能降低了最高达百分之四十的散热耗能。简单来说，数据中心的发热量是非常大的，且非线性，因此根据环境和天气调节散热是一个复杂的问题。

上图描述了在使用了机器学习模型进行控制前后的数据中心效能比（Power Usage Effectiveness，简称PUE）。根据谷歌的新闻稿，能最多节约高达40%的散热开销，即使刨除掉其他损失的后实际PUE提升为15%，对于谷歌这个级别的公司来说经济效益非常可观。具体的新闻和技术细节可以参考[1,2]，比较新的关于机器学习在数据中心上的优化研究可参考[3]。

关于机器学习在数据中心上的应用实例还有很多，Awad和Khanna在2015年出版一本开源书籍 [4]：Efficient Learning Machines: Theories, Concepts, and Applications for Engineers and System Designers。作者Khanna是Intel的首席平台架构师，有非常丰富的对于平台优化的经验。在书的最后一章中，作者给出了几个机器学习在数据中心及运算中心的应用：

• 实例1：使用机器学习模型来预测平台的负载情况，及预测平台的负载量。对于云服务来说，能够及时的预测峰值并防止过载是平台稳定性的重要指标。反面例子有因难以预测的集中访问导致了服务器瘫痪等。
• 实例2：使用机器学习模型来实现动态能量分配，来控制功耗。和前面Google的例子不同，这个实例的重点在于使得硬件的能力与搭载软件相匹配，并动态的调节对于每个任务所分配的资源
• 实例3：利用HMM策略来检测网络入侵行为，将不同时段传感器收集到的事件用于建模，分析并检测潜在的入侵行为。

更多具体的细节请参考原文，作者花了不少篇幅把问题放到了经典框架下：

• 定义问题，要解决什么
• 有什么特征，如何收集监控
• 用什么模型，如何及时反馈和做出决策
• 如何评估，使得模型结果有意义

总结来看，想要找到机器学习与传统行业的结合点需要几个条件：

1. 了解传统行业，最好身在这个领域
2. 清楚问题痛点是什么，每次只解决一个具体问题，不同时追求多个目标
3. 对于要解决的问题的数据储量有清晰的认识，确保有大量的结构化数据
4. 了解机器学习，知道如何应用，如何评估，什么样的模型大概适合这个问题，避免盲目的“鸟枪法”

因此，与计算机比较接近的领域会优先使用机器学习方法，如生物计算/统计等。机械工程有很多控制相关的信息，也很适合使用机器学习。 当然，利用机器学习模型在传统行业也要遵循最基本的原则，就是理解问题，少制造噱头...从一个很确定的小方向入手，往往能得到较好的效果 。

[1] DeepMind AI Reduces Google Data Centre Cooling Bill by 40% | DeepMind

[2] Gao, J. and Jamidar, R., 2014. Machine learning applications for data center optimization. Google White Paper .

[3] Li, Y., Wen, Y., Guan, K. and Tao, D., 2017. Transforming Cooling Optimization for Green Data Center via Deep Reinforcement Learning. arXiv preprint arXiv:1709.05077 .

[4] Awad, M. and Khanna, R., 2015. Efficient learning machines: theories, concepts, and applications for engineers and system designers. Apress.