W&M教授发表文章，鼓励在学术界使用机器学习和人工智能
从帮助决策到设计流程，机器学习和人工智能已经改变了企业的运作方式。然而，一些学者认为，学术界利用机器学习和人工智能来发展理论并将其提供给企业的方式在很大程度上被忽视了。
正因为如此，产业界和学术界之间的差距只会越来越大。在他们的研究论文《不断变化的理论：重塑机器学习时代的理论建设》中，William & 玛丽商学院教授Monica Tremblay和W&M大学John N. Dalton纪念商学院教授Rajiv Kohli论证了为什么缩小这一差距很重要，并举例说明了学术界如何利用机器学习和人工智能来缩小这一差距。这篇文章是由GitHub公司的Nicole Forsgren合著的，今年早些时候发表在《管理信息系统季刊》的特别版上。
在谈到产业界和学术界的区别时，Tremblay和Kohli指出，学术界理论建设中可复制性的重要性并不一定适用于产业界。当两人去硅谷开始他们的研究时，Tremblay了解到，与学术界相反，“工业界并不认为可复制性很重要，因为他们所有的决策都是高度背景化的，而且是不断变化的。可复制理论的想法就像一把瑞士军刀——它有点帮助，但不是很好。
“（工业界）宁愿有一把精确的刀进去，做他们想做的事情。因此，学者们需要制定更灵活的理论，能够解释高度情境化的情景。”
Kohli和Tremblay认为，在快速提供理论的同时确保理论的准确性之间，一个很好的中间地带是学术界对机器学习和人工智能的使用。
科利说：“过去，我们必须对200人进行调查，对其进行分析，然后得出新的结论。”“现在我们有200万条记录可以（通过机器学习）快速分析，我们可以更有信心产生新的知识，而不必做我们习惯做的非常严格的分析。”
由于Kohli和Tremblay在工业界和学术界都有经验，他们知道将这种思维方式引入W&M大学雷蒙德·a·梅森商学院的重要性。
“我们希望成为增加新知识的贡献者，”Kohli说。“要做到这一点，我们需要与行业保持联系并参与其中。如果我们与他们无关，企业就不会认为我们有用，我们将在自己的佳博体育里做研究，与外部世界没有联系。”
特伦布莱表示，通过创造对行业有用的理论（机器学习和人工智能有助于确保这一点），“学术界可以发现一些真正有趣的商业现象，这些现象可以为实践做出贡献。”
专门研究运营和信息系统管理的商业临床副教授约瑟夫·威尔克（Joseph Wilck）也认为，这类研究对梅森商学院有益。
“我认为，商学院之所以成为机器学习和人工智能研究的理想场所，是因为它能确保机器学习和人工智能研究在各个行业得到应用，而且学生（毕业生）能把最新的知识带到工作场所，从而在这些不同的行业取得进一步的进步。”威尔克说。“学术界，尤其是商学院，处于完美的位置，并与其他行业保持一致，因为我们没有直接与某个行业联系在一起，我们教授的知识和技能是所有行业所必需的。”
