AI vs ML：人工智慧與機器學習概述

人工智慧和機器學習密切相關，但最終卻不同。

機器可以複製甚至超越人類思維的想法成為先進運算框架的靈感來源——現在，無數企業正在進行巨額投資。這概念的核心是人工智慧(AI)和機器學習(ML)。

這些術語通常是同義詞，可以互換使用。實際上，人工智慧和機器學習代表著兩種不同的事物——儘管它們是相關的。從本質上：

人工智慧可以被定義為運算系統模仿或模仿人類思維和行為的能力。

機器學習是人工智慧的一個子集，指的是一種無需人類明確編程或直接管理就能學習的系統。

如今，人工智慧和機器學習在幾乎所有產業和業務中都扮演著重要的角色。它們驅動商業系統和消費設備。自然語言處理、機器視覺、機器人、預測分析和許多其他數位框架都依賴其中一種或兩種技術來有效運作。

人工智慧與機器學習簡史

創造能像人類一樣思考的機器的想法一直令整個社會著迷。在1940年代和1950年代，包括AlanTuring在內的研究人員和科學家開始探索創造「人工大腦」的想法。 1956年，DartmouthCollege的一群研究人員開始更徹底地探索這個想法。在該校舉行的研討會上，「人工智慧」一詞誕生了。

在接下來的幾十年裡，該領域取得了進展。 1964年，麻省理工人工智慧實驗室的JosephWeizenbaum發明了一個名為ELIZA的程式。其證明了自然語言和對話在機器上的可行性。 ELIZA依靠基本的模式匹配演算法來模擬真實世界的對話。

20世紀80年代，隨著更強大的電腦出現，人工智慧研究開始加速。 1982年，JohnHopfield展示了神經網路可以以更先進的方式處理資訊。各種形式的人工智慧開始成形，1980年出現了第一個人工神經網路(ANN)。

在過去的二十年裡，由於運算能力和軟體的巨大進步，這一領域取得了顯著的進步。人工智慧和機器學習現在被廣泛應用於各種企業部署。這些技術被用於Siri和Alexa等自然語言系統、自動駕駛汽車和機器人、電腦遊戲中的自動決策系統、Netflix等推薦引擎，以及虛擬實境(VR)和擴增實境(AR)等擴充現實(XR)工具。

機器學習尤其蓬勃發展。政府實體、企業和其他機構越來越多地使用其來識別涉及統計數據和其他形式的結構化和非結構化數據的複雜和難以捉摸的模式。這包括流行病學和醫療保健、金融建模和預測分析、網路安全、聊天機器人和其他用於客戶銷售和支援的工具等領域。事實上，許多供應商將機器學習作為雲端運算和分析應用程式的一部分。

人工智慧的影響是什麼?

機器模仿人類思維和行為的能力深刻地改變了這兩個實體之間的關係。人工智慧會釋放大規模自動化，並支援一系列更先進的數位技術和工具，包括VR、AR、數位孿生、影像和臉部辨識、連接設備和系統、機器人、個人助理和各種高度互動的系統。

這包括在現實世界中導航的自動駕駛汽車、回答問題和開關燈的智慧助理、自動化金融投資系統，以及機場攝影機和臉部辨識。後者包括航空公司在登機口使用的生物辨識登機證，以及只需掃描臉部即可通過安檢的全球入境系統。

事實上，企業正在以新的、創新的方式讓人工智慧發揮作用。例如，旅遊業使用的動態定價模型可以即時衡量供需狀況，並根據變化的情況調整航班和飯店的價格。

人工智慧技術被用來更好地了解供應變化動態，並調整採購模型和預測。在倉庫中，機器視覺技術(由人工智慧支援)可以發現諸如丟失托盤和生產缺陷等人眼無法察覺的小問題。同時，聊天機器人會分析客戶的輸入，並即時提供與上下文相關的答案。

如所見，這些能力正在快速發展——尤其是當連接系統被添加到組合中時。智慧建築、智慧交通網絡，甚至智慧城市正在形成。隨著數據的流入，人工智慧系統決定下一個最佳步驟或調整。

同样，数字孪生越来越多地被航空公司、能源公司、制造商和其他企业用于模拟实际系统和设备，并探索各种虚拟选项。这些先进的模拟器可以预测维护和故障，还可以深入了解更便宜、更复杂的业务处理方式。

机器学习的影响是什么?

近年来，机器学习也取得了显著进展。通过使用统计算法，机器学习解锁了传统上与数据挖掘和人工分析相关的洞察力。

其使用样本数据(称为训练数据)来识别模式，并将它们应用到可能随时间变化的算法中。深度学习是机器学习的一种，其使用人工神经网络来模拟人脑的工作方式。

以下是使用机器学习的主要方法:

• 监督学习，这需要一个人来识别所需的信号和输出。
• 无监督学习，允许系统独立于人类运行，并找到有价值的输出。
• 半监督学习和强化学习，这涉及一个计算机程序与动态环境相互作用，以实现确定的目标和结果。后者的一个例子是计算机国际象棋游戏。在某些情况下，数据科学家使用一种混合方法，将这些方法中的多个元素结合在一起。

多种算法

几种类型的机器学习算法发挥了关键作用:

• 神经网络: 神经网络模拟人脑的思维方式。它们是识别模式的理想选择，广泛用于自然语言处理、图像识别和语音识别。
• 线性回归: 这种技术对于预测数值很有价值，比如预测航班或房地产价格。
• 逻辑回归: 这种方法通常使用二元分类模型(如“是/否”)来标记或分类某物。该技术的一个常见用途是识别电子邮件中的垃圾邮件，并将不需要的代码或恶意软件列入黑名单。
• 聚类: 这个机器学习工具使用无监督学习来发现人类可能忽略的模式。集群的一个例子是供应商如何在不同的设施中执行相同的产品。这种方法可能用于医疗保健，例如，了解不同的生活方式如何影响健康和寿命。
• 决策树: 该方法预测数值，但也执行分类功能。与其他形式的机器学习不同，其提供了一种清晰的方法来审核结果。这种方法也适用于结合决策树的随机森林。

无论使用哪种确切方法，机器学习越来越多地被企业用于更好地理解数据并做出决策。这反过来又为更复杂的人工智能和自动化提供了条件。例如，情感分析可以插入销售历史数据、社交媒体数据甚至天气状况，以动态调整生产、营销、定价和销售策略。其他机器学习应用程序提供了用于医疗诊断的推荐引擎、欺诈检测和图像分类。

机器学习的优势之一是，其可以随着条件和数据的变化或组织添加更多的数据而动态适应。因此，可以构建一个ML模型，然后动态调整。例如，营销人员可能会根据客户的行为和兴趣开发一种算法，然后根据客户的行为、兴趣或购买模式的改变来调整信息和内容。

人工智能和机器学习如何在企业中发展？

如前所述，大多数软件供应商——涵盖广泛的企业应用程序范围——在其产品中提供AI和ML。这些系统使得在没有广泛的数据科学知识的情况下使用强大的工具变得越来越简单。

不过，也有一些需要注意的地方。对于客户来说，为了充分利用AI和ML系统，了解AI和一些专业知识往往是必要的。在选择产品时，避免供应商炒作也是至关重要的。AI和ML无法解决潜在的业务问题——在某些情况下，它们会产生新的挑战、担忧和问题。

有哪些道德和法律问题？

AI和ML正处于一场日益激烈的争论的中心——它们应该被明智地、谨慎地使用。它们与招聘和保险偏见、种族歧视以及各种其他问题有关，包括滥用数据、不适当的监控以及深度造假、虚假新闻和信息等问题。

越來越多的證據表明，臉部辨識系統在識別有色人種時的準確性要低得多，這可能導致種族定性。此外，人們越來越擔心政府和其他實體使用臉部辨識進行大規模監控。到目前為止，對人工智慧實踐的監管還很少。然此，道德人工智慧正成為關鍵考量。

人工智慧和機器學習的未來是什麼？

人工智慧技術正在迅速發展，其將在企業和人們的生活中發揮越來越重要的作用。 AI和ML工具可以顯著降低成本、提高生產力，促進自動化，並推動創新和業務轉型。

隨著數位轉型的推進，各種形式的AI將成為各種數位科技圍繞的太陽。人工智慧將催生更先進的自然語音系統、機器視覺工具、自主技術等等。

以上是AI vs ML：人工智慧與機器學習概述的詳細內容。更多資訊請關注PHP中文網其他相關文章！