人工智慧已經成為我們這個時代最偉大、毫無意義的時髦詞彙之一。
本文由Dun和Bradstreet兩位元首席資料科學家， 解釋人工智慧的術語。
人工智慧、機器學習、認知計算、深度學習和相關術語都變成了人工智慧的通用術語。
儘管難以置信， 但圍繞人工智慧的行銷炒作甚至超過了數位轉換。
為了避免天花亂墜的宣傳和廢話， Dun和Bradstreet兩位元首席資料科學家們用直截了當的商業術語來解釋人工智慧。
我們怎麼解釋人工智慧
如果我們的行業沒有什麼好處， 那就是創造出人們可以使用的術語， 這些術語含義模糊， 在任何情況下都可以被用來表示幾乎任何事物。
這當然是其中之一。
所以， 這是你理解的東西之一， 但是當你試圖定義它時， 學者們會對精確的定義產生分歧。
但是， 人工智慧是一堆我們遇到的技術。 所以,你會聽到人工智慧。
“你會聽到機器學習。 ”
“神經形態計算”是你可能會遇到的， 或者是“神經網路”;
”自然語言處理， 推理演算法， 推薦引擎”
所有這些都屬於這一類。
和一些東西,你可能會觸及自治系統─機器人。
有時， 我們會聽到……
Siri可能是最明顯的例子,有人跑進(或任何其他─我不會試圖名稱的所有因為我忘記一個),但事情的本質,這些助手試圖模仿一個人的行為。
當你在一個網站上時， 它會說， “點擊這裡和謝利說話”
你在跟機器人說話。
這些就是例子。
如果你把它想像成一個電腦科學家， 你會說這些是系統過程， 它們被設計用來做任何一件事。
其中之一就是模仿人類的行為。
另一個是模仿人類的思維過程。
另一個是“智慧行為”─你知道,把它放在引號。
另一個是“理性行事”， 這是一場激烈辯論的主題。
另一個是“行為道德”， 這是一個更大的爭論。
這些是這些系統和過程的分類。
還有一些方法可以對實際的演算法進行分類。
所以， 有確定性的方法;
有不確定的方法;
有基於規則的方法。
所以， 你可以用不同的方法看這個:你可以從下往上看;
剛剛結束的方式;
或者關於你看到的， 接觸的和經歷的。
機器學習、人工智慧和認知計算是如何相互關聯的?
他們不是同義詞。
因此， 認知計算與機器學習有很大不同， 我將兩者都稱為人工智慧。
所以， 我認為人工智慧就是我剛才描述的那些東西。
它是一組設計成模仿行為， 模仿思維， 聰明行為， 理性行為， 理性行為的集合。
這些是我們稱之為人工智慧的湯的系統和過程。
認知計算主要是一個IBM術語。
這是一種非凡的方法來管理大量的資訊， 這些資訊可以被理解為認知堆疊。
然後， 能夠在所有攝入的材料之間建立連接， 這樣用戶就能發現一個特定的問題， 或者一個特定的問題可以被探索， 這是沒有預料到的。
機器學習幾乎與此相反
當你有一個目標函數時， 你有一些非常具體的東西， 你可以嘗試在資料中定義。
,機器學習將會看很多不同的資料,並嘗試創建接近這個目標函數─基本上試圖找到你告訴它去尋找什麼。
通常， 你要麼通過訓練系統， 要麼觀察它的行為， 然後轉動旋鈕和按鈕， 這樣就有了無監督的， 有監督的學習。
這與認知計算非常不同。
“培訓模式”是什麼意思?
因此，模型是一種查看過去一組資料的方法，或者已經收集的一組資料，並以數學的方式描述它。
我們有基於回歸的技術，在此基礎上我們繼續改進該模型，直到它在一定的性能中表現出來。
它預測了我們想要預測的結果，回想起來。
然後，假設我們可以從框架中推斷出未來，這是一個很大的假設，我們可以用這個模型來預測未來會發生什麼。
最明顯的例子就是選舉，對吧?
我們看一下投票資料。
我們看月亮的相位。
我們看看鞋子的尺寸。
無論我們決定看什麼，我們都會說，“這就是將要發生的事情。”
然後，有些事情發生了，也許模型沒有預測到。
現在我們進入AI。
有些系統的工作方式，不是全部，他們說:“給我看一些看起來像你想要的東西，然後我會去找其他看起來像它的東西。”
所以訓練我。
給我一個網頁，告訴我在那個網頁上你覺得有趣的東西。
我會找到一大堆這樣的網頁。
給我一組你認為是危險的信號，然後當我看到這些信號時，我會告訴你有危險的事情正在發生。
這就是我們所說的“訓練”。
為什麼訓練模型很複雜?
假設我給了一大群人，這裡的黃金標準是，他們必須得到類似的激勵和類似的指導，所以我無法得到，你知道，5名電腦科學家和4名實習生…
你試著讓那些或多或少的人完全隨機分散，或者他們都試圖做同樣的事情。
有兩種不同的方法，對吧?
你給他們看了很多照片，對吧?
你給他們看山的照片，和駱駝的照片，還有可能是山的照片，比如霜淇淋甜筒;
你讓他們告訴你哪些是山。
然後，機器從人們的行為中觀察和學習，當他們選擇山脈時，像人們一樣選擇山脈。
這叫做啟發式方法。
當我們觀察人們的時候，我們通過觀察他們的行為來塑造他們的行為，然後他們做同樣的事情。
這是一種學習方式。
啟發式建模是機器學習的一種方式，而不是唯一的方法。
有很多簡單的方法可以解決這個問題。
所以，人們的臉就是一個很好的例子。
當你看人們的臉時，我們可能都知道，有一些技術可以用特定的點在臉上，你知道，眼角。
我不想進入任何IP，但是有些地方是在這些特定的地方之間建立角度，然後這些角度通常不會有太大的變化。
然後你會看到面部表情大開的面部表情，或者嘴巴裡有瘋狂的表情。
這些人試圖通過扭曲他們的臉來混淆這些演算法。
這就是為什麼你不應該在你的護照照片中微笑。
但是，機器學習已經比現在好得多了。
我們有特徵面之類的東西，還有其他的方法來模擬面部的旋轉和扭曲，並確定它們是一樣的。
所以，隨著時間的推移，這些事情變得越來越好。
有時，當人們試圖混淆訓練時，我們也從這種行為中學習。
所以，這些東西都是自己的，這些東西會變得更好，更好，更好。
最終，他們接近目標，如果你願意，它只會找到山脈。
它從不錯過一座山，也不會被霜淇淋蛋捲弄混。
這與傳統的程式設計有何不同?
最初的方法是通過遊戲化或者只是圖像標記。
所以，他們要麼讓人玩遊戲，要麼有人試圖幫忙，說，“這是一座山，”“這不是山，”“這是富士山”，“這是乞力馬札羅山。”
於是，他們得到了一大堆單詞。
他們有一群人用文字來描述圖片(比如亞馬遜的土耳其機器人)。
使用這些技巧，他們只是簡單地整理了一堆單詞然後說，“好吧，‘山’這個詞經常和‘山’這個詞和這個圖像的使用有很高的相關性。
因此，當人們在尋找一座山時，給他們這個形象。
當他們在尋找富士山的時候，給他們這個形象，而不是這個形象。
這是一個利用人類大腦和文字的技巧。
這不是唯一的方法。今天有許多更複雜的方法。
“培訓模式”是什麼意思?
因此，模型是一種查看過去一組資料的方法，或者已經收集的一組資料，並以數學的方式描述它。
我們有基於回歸的技術，在此基礎上我們繼續改進該模型，直到它在一定的性能中表現出來。
它預測了我們想要預測的結果，回想起來。
然後，假設我們可以從框架中推斷出未來，這是一個很大的假設，我們可以用這個模型來預測未來會發生什麼。
最明顯的例子就是選舉，對吧?
我們看一下投票資料。
我們看月亮的相位。
我們看看鞋子的尺寸。
無論我們決定看什麼，我們都會說，“這就是將要發生的事情。”
然後，有些事情發生了，也許模型沒有預測到。
現在我們進入AI。
有些系統的工作方式，不是全部，他們說:“給我看一些看起來像你想要的東西，然後我會去找其他看起來像它的東西。”
所以訓練我。
給我一個網頁，告訴我在那個網頁上你覺得有趣的東西。
我會找到一大堆這樣的網頁。
給我一組你認為是危險的信號，然後當我看到這些信號時，我會告訴你有危險的事情正在發生。
這就是我們所說的“訓練”。
為什麼訓練模型很複雜?
假設我給了一大群人，這裡的黃金標準是，他們必須得到類似的激勵和類似的指導，所以我無法得到，你知道，5名電腦科學家和4名實習生…
你試著讓那些或多或少的人完全隨機分散，或者他們都試圖做同樣的事情。
有兩種不同的方法，對吧?
你給他們看了很多照片，對吧?
你給他們看山的照片，和駱駝的照片，還有可能是山的照片，比如霜淇淋甜筒;
你讓他們告訴你哪些是山。
然後，機器從人們的行為中觀察和學習，當他們選擇山脈時，像人們一樣選擇山脈。
這叫做啟發式方法。
當我們觀察人們的時候，我們通過觀察他們的行為來塑造他們的行為，然後他們做同樣的事情。
這是一種學習方式。
啟發式建模是機器學習的一種方式，而不是唯一的方法。
有很多簡單的方法可以解決這個問題。
所以，人們的臉就是一個很好的例子。
當你看人們的臉時，我們可能都知道，有一些技術可以用特定的點在臉上，你知道，眼角。
我不想進入任何IP，但是有些地方是在這些特定的地方之間建立角度，然後這些角度通常不會有太大的變化。
然後你會看到面部表情大開的面部表情，或者嘴巴裡有瘋狂的表情。
這些人試圖通過扭曲他們的臉來混淆這些演算法。
這就是為什麼你不應該在你的護照照片中微笑。
但是，機器學習已經比現在好得多了。
我們有特徵面之類的東西，還有其他的方法來模擬面部的旋轉和扭曲，並確定它們是一樣的。
所以，隨著時間的推移，這些事情變得越來越好。
有時，當人們試圖混淆訓練時，我們也從這種行為中學習。
所以，這些東西都是自己的，這些東西會變得更好，更好，更好。
最終，他們接近目標，如果你願意，它只會找到山脈。
它從不錯過一座山，也不會被霜淇淋蛋捲弄混。
這與傳統的程式設計有何不同?
最初的方法是通過遊戲化或者只是圖像標記。
所以，他們要麼讓人玩遊戲，要麼有人試圖幫忙，說，“這是一座山，”“這不是山，”“這是富士山”，“這是乞力馬札羅山。”
於是，他們得到了一大堆單詞。
他們有一群人用文字來描述圖片(比如亞馬遜的土耳其機器人)。
使用這些技巧，他們只是簡單地整理了一堆單詞然後說，“好吧，‘山’這個詞經常和‘山’這個詞和這個圖像的使用有很高的相關性。
因此，當人們在尋找一座山時，給他們這個形象。
當他們在尋找富士山的時候，給他們這個形象，而不是這個形象。
這是一個利用人類大腦和文字的技巧。
這不是唯一的方法。今天有許多更複雜的方法。