什么是人工智能 (AI)？

人工智能 (AI) 是一組技術(shù)，使計算機能夠執(zhí)行各種高級功能，包括查看、理解和翻譯口語和書面語言、分析數(shù)據(jù)、提出建議等各種能力。

AI 是現(xiàn)代計算創(chuàng)新的支柱，可為個人和企業(yè)挖掘價值。例如，光學(xué)字符識別 (OCR) 使用 AI 從圖片和文檔中提取文本和數(shù)據(jù)，將非結(jié)構(gòu)化內(nèi)容轉(zhuǎn)換為可供企業(yè)直接使用的結(jié)構(gòu)化數(shù)據(jù)，并發(fā)掘有價值的數(shù)據(jù)洞見。 

人工智能的定義

人工智能是一個構(gòu)建能夠推理、學(xué)習和行動的計算機和機器的科學(xué)領(lǐng)域，這種推理、學(xué)習和行動通常需要人類智力，或者涉及超出人類分析能力的數(shù)據(jù)規(guī)模。

AI 是一個廣博的領(lǐng)域，涵蓋許多不同的學(xué)科，包括計算機科學(xué)、數(shù)據(jù)分析和統(tǒng)計、硬件和軟件工程、語言學(xué)、神經(jīng)學(xué)，甚至哲學(xué)和心理學(xué)。

在業(yè)務(wù)使用的操作層面上，AI 是一組主要基于機器學(xué)習和深度學(xué)習的技術(shù)，用于數(shù)據(jù)分析、預(yù)測、對象分類、自然語言處理、推薦、智能數(shù)據(jù)檢索等等。

人工智能的類型

人工智能可以采用多種方式進行組織，具體取決于開發(fā)階段或正在執(zhí)行的操作。

例如，AI 開發(fā)通常分為四個階段。

1. 反應(yīng)式機器：有限的 AI，僅根據(jù)預(yù)編程規(guī)則對不同類型的刺激做出反應(yīng)。不使用內(nèi)存，因此無法通過新數(shù)據(jù)進行學(xué)習。1997 年擊敗國際象棋冠軍加里·卡斯帕羅夫的 IBM 深藍超級計算機就是反應(yīng)式機器的一個例子。

2. 有限內(nèi)存：大多數(shù)現(xiàn)代 AI 都被視為具有有限內(nèi)存的 AI。它可以通過使用新數(shù)據(jù)（通常是通過人工神經(jīng)網(wǎng)絡(luò)或其他訓(xùn)練模型）進行訓(xùn)練，從而使用內(nèi)存隨著時間的推移而改進。深度學(xué)習是機器學(xué)習的一部分，被視為具有有限內(nèi)存的人工智能。

3. 心智理論：心智理論 AI 目前不存在，但研究正在實現(xiàn)其可能性。它描述了可以模擬人類思維并具有與人類相同的決策能力的 AI，包括識別和記憶情感以及在社交場合中像人類一樣做出反應(yīng)。

4.  自我意識：自我意識 AI 比心智理論 AI 前進了一步，它描述了一種神秘的機器，這種機器知道自己的存在并具有人類的智力和情感能力。與心智理論 AI 一樣，自我意識 AI 目前也不存在。

對人工智能類型進行廣泛分類的一種更有用的方法是按照機器可以做什么來分類。我們目前所說的所有人工智能都被認為是“窄” (narrow) 人工智能，因為它只能根據(jù)其編程和訓(xùn)練來執(zhí)行一組范圍狹窄的操作。例如，用于對象分類的 AI 算法無法執(zhí)行自然語言處理。Google 搜索是一種窄 AI，預(yù)測分析或虛擬助理也是窄 AI。

人工通用智能 (AGI) 是指機器可以像人類一樣“感知、思考和行動”。AGI 目前不存在。下一個等級將是人工超級智能 (ASI)，即機器可以在所有方面發(fā)揮出優(yōu)于人類的功能。

人工智能訓(xùn)練模型

企業(yè)在談?wù)?AI 時，通常會談?wù)摗坝?xùn)練數(shù)據(jù)”?！坝?xùn)練數(shù)據(jù)”是什么意思呢？請記住，有限內(nèi)存人工智能是利用新數(shù)據(jù)進行訓(xùn)練，進而隨著時間的推移而改進的 AI。機器學(xué)習是人工智能的一個子集，它使用算法訓(xùn)練數(shù)據(jù)來獲取結(jié)果。

概括地說，機器學(xué)習中經(jīng)常使用三種學(xué)習模型：

監(jiān)督式學(xué)習：一種使用帶標簽的訓(xùn)練數(shù)據(jù)（結(jié)構(gòu)化數(shù)據(jù)）將特定輸入映射到輸出的機器學(xué)習模型。簡單來說，要訓(xùn)練算法識別貓的圖片，則向其提供標記為貓的圖片。

非監(jiān)督式學(xué)習：一種根據(jù)無標簽數(shù)據(jù)（非結(jié)構(gòu)化數(shù)據(jù)）學(xué)習模式的機器學(xué)習模型。與監(jiān)督式學(xué)習不同，最終結(jié)果不會提前知道。相反，算法會從數(shù)據(jù)中學(xué)習，根據(jù)特性將其歸類。例如，非監(jiān)督式學(xué)習擅長模式匹配和描述性建模。

除了監(jiān)督式和非監(jiān)督式學(xué)習之外，人們通常還會采用一種名為“半監(jiān)督式學(xué)習”的混合方法，其中只會對部分數(shù)據(jù)添加標簽。在半監(jiān)督式學(xué)習中，最終結(jié)果是已知的，但算法必須決定如何組織和構(gòu)造數(shù)據(jù)以獲得期望的結(jié)果。

強化學(xué)習：一種可以廣義地描述為“邊做邊學(xué)”的機器學(xué)習模型?！按怼蓖ㄟ^反復(fù)試驗（反饋環(huán)）學(xué)習執(zhí)行定義的任務(wù)，直到其性能處于理想范圍內(nèi)。當代理出色執(zhí)行任務(wù)時，它會獲得正強化；當代理表現(xiàn)不佳時，它會獲得負強化。強化學(xué)習的一個例子是教機器人手撿球。

常見的人工神經(jīng)網(wǎng)絡(luò)類型

AI 中一種常見的訓(xùn)練模型是人工神經(jīng)網(wǎng)絡(luò)（一種松散地基于人腦的模型）。

神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)元系統(tǒng)（有時稱為感知機），該系統(tǒng)是用于對數(shù)據(jù)進行分類和分析的計算節(jié)點。數(shù)據(jù)被輸入神經(jīng)網(wǎng)絡(luò)的第一層，每個感知機都會做出決定，然后將該信息傳遞到下一層的多個節(jié)點。超過三層的訓(xùn)練模型稱為“深度神經(jīng)網(wǎng)絡(luò)”或“深度學(xué)習”。某些現(xiàn)代神經(jīng)網(wǎng)絡(luò)有數(shù)百或數(shù)千層。最終感知機的輸出完成神經(jīng)網(wǎng)絡(luò)的任務(wù)集，例如對對象進行分類或在數(shù)據(jù)中查找模式。

您可能會遇到的一些最常見的人工神經(jīng)網(wǎng)絡(luò)類型包括：

前饋神經(jīng)網(wǎng)絡(luò) (FF)：一種最早的神經(jīng)網(wǎng)絡(luò)形式，其中數(shù)據(jù)單向流過人工神經(jīng)元層，直到獲得輸出。在現(xiàn)代，大多數(shù)前饋神經(jīng)網(wǎng)絡(luò)都被視為具有多個層（以及多個“隱藏”層）的“深度前饋神經(jīng)網(wǎng)絡(luò)”。前饋神經(jīng)網(wǎng)絡(luò)通常與稱為“反向傳播算法”的糾錯算法配對使用。簡單說來，該算法從神經(jīng)網(wǎng)絡(luò)的結(jié)果開始，然后一直反向工作到開始，發(fā)現(xiàn)錯誤以提高神經(jīng)網(wǎng)絡(luò)的準確率。許多簡單但強大的神經(jīng)網(wǎng)絡(luò)都是深度前饋神經(jīng)網(wǎng)絡(luò)。

循環(huán)神經(jīng)網(wǎng)絡(luò) (RNN)：一種與前饋神經(jīng)網(wǎng)絡(luò)不同的神經(jīng)網(wǎng)絡(luò)，它們通常使用時序數(shù)據(jù)或涉及序列的數(shù)據(jù)。與在網(wǎng)絡(luò)的每個節(jié)點中使用權(quán)重的前饋神經(jīng)網(wǎng)絡(luò)不同，循環(huán)神經(jīng)網(wǎng)絡(luò)對前一層發(fā)生的事情具有“記憶”，這取決于當前層的輸出。例如，執(zhí)行自然語言處理時，RNN 可以“記住”一個句子中使用的其他字詞。RNN 通常用于語音識別、翻譯和圖片說明。

長/短期內(nèi)存 (LSTM)：一種高級形式的 RNN，它可以使用內(nèi)存來“記住”先前的層中發(fā)生的事情。RNN 和 LSTM 之間的區(qū)別在于，LSTM 可以通過使用“內(nèi)存單元”來記住幾層之前發(fā)生的事情?！咀g注：原英文中的 LTSM 可能是 LSTM 的筆誤】LSTM 常用于語音識別和預(yù)測。

卷積神經(jīng)網(wǎng)絡(luò) (CNN)：一種神經(jīng)網(wǎng)絡(luò)，其中包含現(xiàn)代人工智能中一些最常見的神經(jīng)網(wǎng)絡(luò)。CNN 最常用于圖像識別，它使用幾個不同的層（一個卷積層，然后是一個 pooling 層），這些層在將圖像重新組合在一起（在全連接層中）之前過濾圖像的不同部分。較早的卷積層可能會尋找圖像的簡單特征，例如顏色和邊緣，然后在附加層中尋找更復(fù)雜的特征。

生成對抗網(wǎng)絡(luò) (GAN)：一種網(wǎng)絡(luò)，涉及兩個在游戲中相互競爭的神經(jīng)網(wǎng)絡(luò)，該游戲最終會提高輸出的準確率。一個網(wǎng)絡(luò)（生成器）創(chuàng)建另一個網(wǎng)絡(luò)（判別器）嘗試證明真假的樣本。GAN 用于制作逼真的圖片，甚至用于制作藝術(shù)品。

AI 的優(yōu)勢

自動化
AI 可以自動執(zhí)行工作流和流程，也可以不依靠人工團隊來獨立自主地開展工作。例如，AI 可以通過持續(xù)監(jiān)控和分析網(wǎng)絡(luò)流量來幫助自動執(zhí)行信息安全的各個方面。同樣，智能工廠可能使用數(shù)十種不同類型的 AI，例如機器人使用計算機視覺在工廠車間移動或檢查產(chǎn)品是否存在缺陷、創(chuàng)建數(shù)字孿生體，或使用實時分析來衡量效率和產(chǎn)量。

減少人為錯誤
AI 可以通過每次都遵循相同流程的自動化功能和算法來消除數(shù)據(jù)處理、分析、制造裝配和其他任務(wù)中的人為錯誤。

消除重復(fù)任務(wù)
AI 可用于執(zhí)行重復(fù)任務(wù)，從而讓人力資源能夠空出手來解決影響較大的問題。AI 可用于自動執(zhí)行流程，例如驗證文檔、轉(zhuǎn)錄電話或回答“你們幾點關(guān)門？”之類的簡單客戶問題。機器人通常用于代替人類執(zhí)行“枯燥、骯臟或危險”的任務(wù)。

快速準確
與人類相比，AI 可以更快地處理更多信息，從而查找模式并發(fā)現(xiàn)人類可能錯過的數(shù)據(jù)關(guān)系。

無限可用性
AI 不受時段、休息需求或其他人類負擔的限制。在云端運行時，AI 和機器學(xué)習可以“始終開啟”，從而持續(xù)處理分配的任務(wù)。

更快的研發(fā)速度
快速分析大量數(shù)據(jù)的能力可以加快獲得研發(fā)突破的速度。例如，AI 已用于潛在新藥物療法的預(yù)測建模，或量化人類基因組。

人工智能的應(yīng)用和使用場景

語音識別
自動將語音轉(zhuǎn)換為文字。

圖像識別
識別圖片的各個方面并將其分類。

翻譯
將書面或語音內(nèi)容從一種語言翻譯成另一種語言。

預(yù)測性建模
挖掘數(shù)據(jù)，以高粒度預(yù)測特定結(jié)果。

數(shù)據(jù)分析
針對商業(yè)智能尋找數(shù)據(jù)中的模式和關(guān)系。

網(wǎng)絡(luò)安全
獨立自主掃描網(wǎng)絡(luò)以檢測是否存在網(wǎng)絡(luò)攻擊和威脅。

什么是機器學(xué)習？

借助機器學(xué)習，企業(yè)能夠使數(shù)據(jù)教會系統(tǒng)如何使用機器學(xué)習算法解決眼前的問題，以及如何隨著時間的推移不斷改進。

如今的企業(yè)都在面臨著海量數(shù)據(jù)的“轟炸”。為了制定更好的業(yè)務(wù)決策，他們必須弄清數(shù)據(jù)的含義。但是，龐大的數(shù)據(jù)量以及數(shù)據(jù)復(fù)雜度導(dǎo)致使用傳統(tǒng)工具難以分析數(shù)據(jù)。構(gòu)建、測試、迭代和部署分析模型以識別數(shù)據(jù)中的模式和洞見會耗費員工大量時間。而在部署完畢后，還必須根據(jù)市場情況或數(shù)據(jù)本身的變化監(jiān)控和持續(xù)調(diào)整模型。這正是機器學(xué)習的工作原理，因為它是解決方案。

機器學(xué)習的定義

機器學(xué)習是人工智能的一個組成部分，可讓系統(tǒng)通過輸入大量數(shù)據(jù)來使用神經(jīng)網(wǎng)絡(luò)和深度學(xué)習進行自主學(xué)習和改進，而不需要明確編程。

由于機器學(xué)習可讓計算機系統(tǒng)通過累積更多“經(jīng)驗”來不斷調(diào)整并增強自身功能，因此，輸入的數(shù)據(jù)越多，結(jié)果就越準確。

事實上，機器學(xué)習應(yīng)用可自動構(gòu)建統(tǒng)計模型。Python 機器學(xué)習是一個很好的機器學(xué)習示例，它能夠從數(shù)據(jù)中學(xué)習、識別模式，并且只需極少的人工干預(yù)即可制定決策。

機器學(xué)習使用場景

機器人流程自動化 (RPA)
RPA 與機器學(xué)習相結(jié)合，創(chuàng)建了智能自動化功能，能夠自動化復(fù)雜的任務(wù)，例如處理抵押貸款申請。

銷售優(yōu)化
客戶數(shù)據(jù)可以訓(xùn)練機器學(xué)習算法，以進行客戶情感分析、銷售預(yù)測分析和客戶流失預(yù)測。

客戶服務(wù)
機器學(xué)習應(yīng)用包括聊天機器人和自動虛擬助手，以使日?？蛻舴?wù)任務(wù)自動化并加快問題解決速度。

安全
機器學(xué)習技術(shù)可幫助企業(yè)改進其威脅分析功能，以及對網(wǎng)絡(luò)攻擊、黑客和惡意軟件的回應(yīng)。

數(shù)字營銷
機器學(xué)習使營銷人員能夠識別新客戶，并在合適的時間向合適的人提供合適的營銷材料。

欺詐防范
機器學(xué)習可幫助信用卡公司和銀行查看大量交易數(shù)據(jù)，以實時識別可疑活動。

什么是自然語言處理？

自然語言處理 (NLP) 使用機器學(xué)習來剖析文本的結(jié)構(gòu)和含義。借助自然語言處理應(yīng)用，組織可以分析文本并提取關(guān)于人物、地點和事件的信息，以更好地理解社交媒體內(nèi)容的情感和客戶對話。

自然語言處理定義

作為人工智能技術(shù)的分支，NLP（自然語言處理）使用機器學(xué)習來處理和解釋文本和數(shù)據(jù)。自然語言識別和自然語言生成是 NLP 的類型。

自然語言理解 (NLU) 是 NLP 的一個子主題，用于理解一段正文的真正含義。NLU 可以分類、歸檔和分析文本。NLP 則更進一步，支持根據(jù)具體意義做出決策。

自然語言處理的用途是什么？

自然語言處理應(yīng)用用于從非結(jié)構(gòu)化文本數(shù)據(jù)中發(fā)掘洞見，并讓您能夠訪問所提取出的信息，以生成有關(guān)這些數(shù)據(jù)的新的理解。您可以使用 Python、TensorFlow 和 PyTorch 構(gòu)建自然語言處理示例。

客戶情感
借助實體分析功能，您可以查找和標記各種文檔和頻道中的字段，以便更好地了解客戶意見，并發(fā)現(xiàn)產(chǎn)品和用戶體驗洞見。

理解收據(jù)和賬單
提取實體來識別收據(jù)和帳單中的常見條目（例如日期或價格），以了解請求與付款之間的關(guān)系。

文檔分析
利用自定義實體提取功能，您可以識別文檔中特定領(lǐng)域的實體，而無需花費時間或資金執(zhí)行手動分析。

內(nèi)容分類
按常見實體、特定領(lǐng)域的自定義實體或諸如體育和娛樂之類的 700 多種常規(guī)類別對文檔進行分類。

熱榜
以文字形式聚合新聞，讓營銷人員能夠從在線新聞、文章和其他數(shù)據(jù)源中提取與其品牌相關(guān)的內(nèi)容。

醫(yī)療保健
改進臨床歸檔、數(shù)據(jù)挖掘研究和自動注冊報告，幫助加速臨床試驗。

什么是時序預(yù)測？

時序預(yù)測是一種統(tǒng)計或機器學(xué)習方法，它會嘗試對歷史時序數(shù)據(jù)建模，以預(yù)測未來的時間點。

時序預(yù)測的挑戰(zhàn)

與其他類型的模型相比，時序預(yù)測具有獨特的挑戰(zhàn)，例如季節(jié)性、節(jié)假日效應(yīng)、數(shù)據(jù)稀疏和趨勢變化。由于時序的順序本質(zhì)和時間相關(guān)性，許多機器學(xué)習技術(shù)的效果并不理想。例如，k-fold 交叉驗證可能會導(dǎo)致數(shù)據(jù)泄露；模型需要重新訓(xùn)練以生成新的預(yù)測。無法對時間維度進行隨機化處理，使得在過擬合和欠擬合之間達到平衡變得很復(fù)雜。由于可能有數(shù)百萬個項需要預(yù)測，因此還必須考慮任何預(yù)測解決方案的可伸縮性。除了預(yù)測，任務(wù)也可能對業(yè)務(wù)很重要，例如異常值檢測、不確定性量化和因果推斷。時序預(yù)測不僅僅是對帶時間戳的數(shù)據(jù)的監(jiān)督式學(xué)習。幸運的是，Google Cloud 提供了各種解決方案，可以滿足每一種業(yè)務(wù)需求。

例如，大型零售商店可能要預(yù)測數(shù)百萬件商品，以便在需求旺盛時保證庫存，而在需求低迷時避免庫存積壓。

時序預(yù)測的用例

需求預(yù)測和容量規(guī)劃

- 商品的零售需求預(yù)測，構(gòu)建端到端的解決方案以預(yù)測零售商品的需求。

- 商品價格預(yù)測，時序模型用于預(yù)測對業(yè)務(wù)和生產(chǎn)流程至關(guān)重要的商品的價格，并為現(xiàn)金流模型和財務(wù)計劃提供信息。

- 現(xiàn)金流預(yù)測，時序模型通常與回歸和分類模型結(jié)合使用，根據(jù)歷史賬單時序以及來自交易數(shù)據(jù)和合同義務(wù)的輸入生成高度準確的現(xiàn)金流預(yù)測。

- 供應(yīng)鏈預(yù)測，驅(qū)動需求的可能因素有很多，對于配送中心來說，提前準備是滿足消費者需求的關(guān)鍵。

異常值檢測

- 使用需求預(yù)測進行異常值檢測。在節(jié)假日、送禮季或年終促銷時，有時會出現(xiàn)預(yù)料之中的高峰。但是，當出現(xiàn)意料之外的高峰（或低谷）時，該怎么辦呢？例如，如何發(fā)現(xiàn)意料之外的異常高（或異常低）的需求？

- 制造質(zhì)量控制和指標監(jiān)控。從 IoT 傳感器到生產(chǎn)輸出，指標的監(jiān)控可以有多種形式。然而，常見的元素是預(yù)測這些指標的典型范圍，以便您可以提前進行規(guī)劃并在部署了監(jiān)控系統(tǒng)的情況下盡快做出響應(yīng)。

異常值檢測的其他常見用例包括因價格錯誤導(dǎo)致的價格異常、實時異常值檢測和制造質(zhì)量控制。

因果推斷

- 廣告效果，您的廣告在提升業(yè)務(wù)量方面的效果如何？因果推斷可以幫助您了解廣告系列的統(tǒng)計顯著性。

- 重大事件對時序的影響，您可能想知道重大事件（例如英國脫歐）對某個時序的影響是否具有統(tǒng)計顯著性。因果推斷分析的其他應(yīng)用領(lǐng)域包括促銷、激勵效果和價格彈性估算。

單變量預(yù)測與多變量預(yù)測

進行單變量預(yù)測時，僅使用歷史時序數(shù)據(jù)來預(yù)測未來數(shù)據(jù)。例如，如需預(yù)測紐約市明天的氣溫，單變量預(yù)測意味著僅使用歷史氣溫這一個變量來預(yù)測未來氣溫。進行單變量預(yù)測時，您還可以發(fā)現(xiàn)季節(jié)性模式和趨勢。

進行多變量預(yù)測時，使用多個因素來預(yù)測未來的數(shù)據(jù)。例如，如需預(yù)測紐約市明天的氣溫，除了使用歷史氣溫之外，您還可以使用氣壓、紫外線指數(shù)、附近地理區(qū)域的云量百分比、風速和其他變量。