人工智能、机器学习、深度学习及其他
理解 AI 技术及其如何引领智能应用
Wayne Thompson,Hui Li,Alison Bolen 著
人工智能 (AI) 带来真正的人机交互希望。当机器变得智能时,它们可以理解需求、连接数据点并得出结论。它们能够推理、观察和计划。设想一下:
- 明天要出差吗?您的智能设备将自动提供目的地城市的天气预报和旅行提醒。
- 在准备一场盛大的生日派对吗?您的智能机器人可以帮助邀请客人、预定蛋糕并提醒您取回。
- 在计划一场直接市场营销活动吗?您的 AI 助手可以本能地将客户分为几组,以进行有针对性的消息传递并提高响应率。
当然,我们没有提及机器人管家。这并不是好莱坞电影。但在人工智能领域,我们正处于一个新的认知水平,这个领域已经成长为对我们生活真正有用的领域。
不过,我们明白了。对于 AI、机器学习和深度学习所有这些主题如何关联,您可能还会感到疑惑。您不是自己一个人。我们可以提供帮助。
在此文中,我们将探索人工智能的基本组成,并介绍各种技术如何结合起来帮助机器变得更加智能。
AI 计算的进步解释了
AI 的构成要素是什么?计算机如何与人进行交互和交流?在此信息丰富的网络研讨会中寻找答案。
AI 和机器学习的历史
AI 起源于何处?它并非从单人国际象棋游戏一步跃升到自动驾驶汽车。该领域具有悠久的历史,植根于军事科学和统计领域,融合了哲学、心理学、数学和认知科学。人工智能最初旨在使计算机更加有用,并且能够独立推理。
大多数历史学家将 AI 的诞生追溯到 1956 年的达特茅斯研究项目,该项目探讨了问题解决和符号方法等话题。在 20 世纪 60 年代,美国国防部对这种类型的工作产生了兴趣,并更加注重训练计算机以模仿人类推理。
例如,美国国防高级研究计划局 (DARPA) 在 20 世纪 70 年代完成了街道测绘项目。并且 DARPA 在 2003 年推出了智能私人助手,远远领先谷歌、亚马逊或微软等开发的类似项目。
这项工作为我们今天在计算机中看到的自动化和形式推理铺平了道路。
人工智能和机器学习
人工智能 (AI) 是模仿人类能力的广泛科学,而机器学习是 AI 的特定子集,指训练机器如何学习。观看此视频,更好地了解 AI 与机器学习之间的关系。通过示例和一些有趣的旁白,您将会了解这两种技术如何工作。
机器学习和深度学习是 AI 的子领域
作为一个整体,人工智能由许多子领域构成,包括:
- 机器学习,自动执行分析模型的构建。它使用神经网络、统计学、运筹学和物理学中的方法查找隐藏在数据中的洞察,而无需为在哪里寻找或得出何种结论进行明确的编程。
- 神经网络,是一种机器学习类型,受人类大脑的工作方式启发。该计算系统由相互连接的单元(如神经元)组成,这些单元通过响应外部输入、在各个单元之间中继信息来处理信息。该过程需要对数据进行多次传递以找到连接并从未定义的数据中导出含义。
- 深度学习,使用具有多层处理单元的巨大神经网络,利用计算能力的进步和改进的训练技术来学习大量数据中的复杂模式。常见的应用包括图像和语音识别。
- 计算机视觉,依靠模式识别和深度学习来识别图片或视频中的内容。当机器处理、分析和理解图像时,实时捕获图像或视频并对其周围环境进行解释。
- 自然语言处理,是计算机分析、理解和生成人类语言(包括语音)的能力。NLP 的下一个阶段是自然语言交互,即允许人类使用日常语言与计算机进行通信以执行任务。
机器学习基于机器应该能够通过经验进行学习并适应的观点,而 AI 指的是机器可以“智能地”执行任务的广义概念。
人工智能应用机器学习、深度学习及其他技术解决实际问题。
人工智能应用机器学习、深度学习及其他技术解决实际问题。
大数据加 AI 如何产生智能应用
记得几年前的大数据热潮吗?到底是什么?计算机处理和数据存储取得的进步,使得摄取和分析更多数据成为可能。与此同时,我们开始通过将更多设备和机器联网生成更多数据,并从这些设备传输海量数据。
随着更多语言和图像输入到设备中,计算机语音和图像识别得到改善。同样,机器学习也有更多信息可供学习。
所有这些进步都使人工智能更接近于创建智能机器这一初心,这一点我们在日常生活中能够越来越多地看到。从我们最喜欢的零售网站上的推荐到社交媒体上的自动生成的照片标签,许多常见的在线便利都由人工智能提供支持。
人工智能带来的
现实利益
在卫生保健行业,可以更快地确定治疗效果。在零售行业,可以更快地推荐附加产品。在金融行业,可以预防而不仅仅是发现欺诈行为。
有了 AI,我们现在身处何处?
有了 AI,您可以向机器提问 – 大声询问 – 并获取关于销售、库存、顾客维系、欺诈检测等问题的信息。计算机还可以发现您从未想过要问的信息。它将提供数据的叙述性摘要,并提出分析数据的其他方法。它还将共享您或其他提出类似问题的人以前的相关问题信息。您可以在屏幕上或仅仅通过对话获得答案。
这在现实生活中如何展开?在卫生保健行业,可以更快地确定治疗效果。在零售行业,可以更快地推荐附加产品。在金融行业,可以预防而不仅仅是发现欺诈行为。等等等等。
在这些例子中,机器能够理解需要哪些信息、观测所有变量之间的关系、给出答案 – 自动与您交流,并提供后续查询选项。
感谢数十年来的人工智能研究,我们才能达到今天的位置。我们还将进行数十年的智能人机交互。
关于作者
Wayne Thompson 是 SAS 数据科学技术部经理。他是业务预测分析的早期开拓者之一,并且是全球公认的预测分析技术领域的提出者、教育者、实践者和创新者。
Hui Li 是 SAS 的资深研究员。她在机器学习、数据挖掘、数据分析和统计建模方面拥有 10 年的经验,在 C 语言编程和C/Matlab 混合编程方面拥有 15 年的经验。
Alison Bolen 是 SAS 的一名编辑,她负责撰写分析和新兴技术方面的文章。她将简化和解释复杂问题作为每日目标。
Recommended reading
- 文章 6 ways big data analytics can improve insurance claims data processingWhy make analytics a part of your insurance claims data processing? Because adding analytics to the claims life cycle can deliver a measurable ROI.
- 文章 What are AI hallucinations?Separating fact from AI-generated fiction can be hard. Learn how large language models can fail and lead to AI hallucinations – and discover how to use GenAI responsibly.
- 文章 What are chatbots?Chatbots are a form of conversational AI designed to simplify human interaction with computers. Learn how chatbots are used in business and how they can be incorporated into analytics applications.
- 文章 4 strategies that will change your approach to fraud detectionAs fraudulent activity grows and fighting fraud becomes more costly, financial institutions are turning to anti-fraud technology to build better arsenals for fraud detection. Discover four ways to improve your organization's risk posture.
准备立即订阅洞察?
SAS® Viya™
Make analytics accessible to everyone and bridge the talent gap in your organization