“假设我们有足够的数据……”——这是一个相当大的假设。此外，传统方法很容易理解，而神经网络（尤其是深度学习）仍然是一个黑匣子：你训练它，然后得到从输入到输出的映射。但是您并不真正知道该映射是如何实现的。

这不仅关乎性能，还关乎效率（速度、功率使用等）和透明度（能够解释为什么会发生某些事情）。

所以我们不把所有的鸡蛋都放进NN篮子有几个原因：

• 使用众所周知的“传统”方法可以更容易地查看正在发生的事情并诊断错误。这一点在实际应用中很重要

• 在许多情况下，我们没有深度学习方法所需的可用训练数据量

• 训练 DL 系统比其他算法消耗更多时间（和精力）

我宁愿让一个核电站由一个犯一些错误的传统算法操作，但没有什么严重的（并且意识到它会犯这些错误可以让你防范它们），而不是有一个完全的黑匣子做我不知道为什么会做出决定以及在训练数据未涵盖的边缘情况下会发生什么。

对于风险较低的玩具项目来说这很好，但在实际应用中，DL 系统通常无法满足不同的约束条件。

更新：根据我自己的专业经验——为一家大型银行开发对话式人工智能系统。他们所做的任何事情都必须经过层层合规监管和审查。现在我会挑战任何人向公司律师解释你的 NN 永远不会给出不合理的建议，并在虚线上签名，你确切知道在什么条件下给出了哪些建议。使用老式的基于规则的系统更容易做到这一点。