人類和電腦產生的資料量之龐大，已遠遠超出人類可以吸收、解釋並據此做出複雜決策的能力範圍。而人工智慧構成了所有電腦學習的基礎，代表著所有複雜決策的未來。人工智慧（及其機器學習的邏輯演進）和深度學習為業務決策的未來奠定了基礎。
本教學操作環境：windows7系統、Dell G3電腦。
人工智慧 (AI) 指創造並運用演算法建構動態運算環境來模擬人類智慧過程的基礎。簡單來說，人工智慧努力的目標是讓電腦像人類一樣思考和行動。
要實現這個目標，需要三個關鍵要素：
計算系統
資料與資料管理
高階人工智慧演算法（程式碼）
期望結果越接近人類，對資料量和處理能力的要求越高。
人工智慧的起源
至少自西元前一世紀開始，人類就對製造機器模擬人腦的可行性充滿興趣。到了現代，John McCarthy 於 1955 年創造了「人工智慧」這個詞語。 1956 年，McCarthy 等人組織了一場名為「達特茅斯學院夏季人工智慧科學研究計畫」的會議。以此為開端，機器學習、深度學習、預測性分析應運而生，一直發展到現在的標準化分析。此外，同時也興起了一個全新的研究領域：資料科學。
人工智慧的重要性何在？
今天，人類和電腦產生的資料量之龐大，已遠遠超出人類可以吸收、解釋並據此做出複雜決策的能力範圍。人工智慧構成了所有電腦學習的基礎，代表著所有複雜決策的未來。
例如，井字棋（圈叉遊戲）有 255168 種不同的走法，其中 46080 種走法會出現平手。但儘管如此，大多數人都能算出如何才能不輸掉遊戲。西洋跳棋則有超過 500 x 10 的 18 次方種不同的可能走法，因此能稱得上高手的人寥寥無幾。計算機能夠極為有效率地計算這些走法的排列組合，並得出最佳對策。
人工智慧（及其機器學習的邏輯演進）和深度學習為業務決策的未來奠定了基礎。
人工智慧用例
在許多日常情境中都能見到人工智慧的應用，例如金融服務詐欺偵測、零售採購預測和線上客戶支援互動等。以下舉幾個例子：
1、線上聊天
1) 聊天機器人：
這樣的機器人一般不需要太大的知識庫，但需要專業的語言分析，技術上沒什麼難度，只需要給出回答即可，對召回率沒要求，對準確率更沒要求，這在技術上沒什麼太大的難度
#2 ) 個人助理：
這樣的大家就常見了，這個最大難點就是意圖識別，意圖識別又包括語言、文本、表情、肢體動作識別，需要機器人極強的學習能力，同時直接跳過單輪會話，必須滿足多輪會話，是個不太好做的東西
3) 客服機器人：
客服機器人是透過知識庫檢索，實現單輪、多輪會話，它不需要意圖識別，不過要做到對各種消息的分析，已經對訪客的有效反饋，這是要命中率的，所以難度並不小，所幸的是，技術相對成熟，已經商用，得到了很多用戶的支援
2、資料模型建構
這一點少有人提及，但我們確實需要。大家都知道商業競爭的後期都是對數據的佔有率比拼，擁有數據，才能擁有戰鬥力。而現有的資料分析模型無非是人工製定，最多就是支援高度自定義，而模型的合理性驗證的成本相當
而人工智慧可以透過自我學習，提煉整合創造最優秀的資料模型，這簡直是一件令人興奮的事情，也是一個創新改革的事情
3、語音交互
語音交互，透過錄音和流程化，實現語音機器人的商業化，著重用於產品推廣和售後服務，這個對我們生生活有很大的便利
4、AI教育機器人、保姆機器人、政務服務、醫療診斷：
早期教育、家事、綠植、零售等，這些都可以透過人工智慧實現人力的解放，此類人工智慧無需具備自我學習能力，只需要按照既定的規則完成明確任務即可。醫療目前已經有應用，不過效果較差，美國CT片的辨識率在80%，而中國一直停留在60%
5、工業：
智慧汽車、保全領域、智慧家庭
在工業領域，人工智慧只能執行部分狹窄工種，但可以進行量級組合完成全量替換人力
人力將更多執行商業行為，人工智慧無論是效率還是精確度都遠超人力
6、農牧業：
土質檢測、自然環境監測、農業經營策略分析
農業是人類最原始的產業，但是具備一個特徵，非標準化。我們都知道農業正在進行機械化進階，但是中國農業仍處於經驗階段，科學階段還沒辦法完全普及，那人工智慧也就只能執行部分細分節點，例如農藥播撒，果實採集，而這還處於機械自動化階段，高階的人工智慧還不具備應用的場。這裡面更重要的原因是基礎資料模型的抽離，仍然需要一段時間。
更多相關知識，請造訪常見問題專欄！
以上是人工智慧的重要性是什麼的詳細內容。更多資訊請關注PHP中文網其他相關文章！
