有很多技術概念讓我們能夠真正理解人工智能（Artificial Intelligence,英文縮寫為AI），但更重要要記住的是，AI是關于構建智能計算機程序來執行如下任務：

• 視覺感知
• 語音識別
• 情緒分析

 

例(li)如，自駕駕駛(shi)汽車需(xu)(xu)要計算機具有(you)視覺感知能(neng)力，另外像Siri這樣的應用程(cheng)序需(xu)(xu)要具有(you)語音識別能(neng)力。

 

AI背后的大腦包括機器學(xue)習(xi)，深度學(xue)習(xi)和自然語言處理等建模技術。 那(nei)我(wo)們從機器學(xue)習(xi)開始學(xue)習(xi)吧！

 

機(ji)器學(xue)習
機(ji)器(qi)學習是(shi)AI的(de)核心驅(qu)動(dong)力。 簡單的(de)說(shuo)就是(shi)用(yong)算法(fa)來發現數(shu)據的(de)有趣內容(rong)的(de)過(guo)程，而無需(xu)編(bian)(bian)寫(xie)解決特定問題的(de)代(dai)碼。 換句話(hua)說(shuo)，這是(shi)一種用(yong)更(geng)少的(de)編(bian)(bian)程方式讓計算機(ji)從數(shu)據中學習。 取代(dai)編(bian)(bian)寫(xie)代(dai)碼，你只需(xu)提供給機(ji)器(qi)數(shu)據，機(ji)器(qi)會根(gen)據這些數(shu)據構建自己的(de)邏輯功能。

 

那(nei)么這在實(shi)踐中如(ru)何工作呢？ 一(yi)切都是從(cong)“訓練數據”開(kai)始(shi)的(de)。你提供(gong)一(yi)組數據給數據模型幫助它(ta)進行訓練。 你提供(gong)模型的(de)數據越(yue)多，它(ta)就會越(yue)健壯。

 

當你(ni)將訓練數據(ju)提供給(gei)您的機器學(xue)(xue)習模(mo)型(xing)時(shi)，這些數據(ju)由(you)(you)一組(zu)屬(shu)性(xing)和特(te)征進行定(ding)義(yi)。 由(you)(you)機器學(xue)(xue)習模(mo)型(xing)來(lai)確定(ding)如何理解(jie)所有這些屬(shu)性(xing)。

 

那么該模(mo)型(xing)(xing)如何決(jue)(jue)定哪些屬性是建立更(geng)好模(mo)型(xing)(xing)的關鍵？ 該算法“權衡”模(mo)型(xing)(xing)的不同特征，以確定更(geng)佳的屬性集(ji)合(he)，當(dang)組(zu)合(he)成一個(ge)方(fang)程式時(shi)，就可以解決(jue)(jue)具體的問題。

 

最后(hou)，你是(shi)否聽過這句話，“進入的是(shi)垃圾，出去的也是(shi)垃圾”？ 當您準備訓(xun)練數據集(ji)時，這尤其重(zhong)要。 您的數據質量(liang)越好(hao)，您的模型(xing)越好(hao)。

深度(du)學(xue)習和自(zi)然語(yu)言處理
我(wo)們前(qian)面學(xue)習(xi)到(dao)，機(ji)器(qi)學(xue)習(xi)的(de)(de)(de)典(dian)型(xing)應用(yong)包括選(xuan)擇(ze)更佳(jia)特征來產(chan)生更佳(jia)模型(xing)。 我(wo)們還學(xue)習(xi)到(dao)，只(zhi)能(neng)在訓練數據(ju)優質(zhi)的(de)(de)(de)情況下才能(neng)一樣優質(zhi)的(de)(de)(de)算法。

 

由于這些原因，當關鍵信(xin)息(xi)被埋在非結(jie)構化數據中時(shi)，機器(qi)學(xue)(xue)習算法的性能可能會降低。 那就是(shi)深度學(xue)(xue)習進入的地方(fang)。

 

深度學習
深度學習能夠很好的自動學習帶嘈雜的數據（讀取：非結構化的），以便算法能夠更有效地學習。 它還可以：

• 使用復雜的算法來執行任務，并在很少或是根本沒有人力監督的情況下進行學習。
• 學習如何學習。 例如，像Google使用深度學習來不斷強化照片中的面部識別能力。

 

自然語言處理（NLP）
自然語言處理（NLP）是機器學習的一種形式，通過在大量數據中查找行為模式來識別語言及其許多用法和語法規則。 它也可：
• 進行情感分析，其中算法在社交媒體帖子中尋找行為模式，以了解客戶對特定品牌或產品的感受。
• 語音識別，提供從“聆聽”到基于音頻產生的文本文件。
• 問答解答，通常以具體答案處理這些問題（例如，4的平方根是什么？），未來還要探討如何處理更復雜和開放性問題。

 

如何將AI加入(ru)到你的業務中(zhong)去
現在，您(nin)將更(geng)多地(di)了解AI背后的科學知識，讓我們來探討(tao)如何將AI整合到您(nin)的業務中的幾種方法(fa)。

第(di)一步是(shi)了解起(qi)初(chu)部署(shu)人工智能的(de)原理。 組織有大量(liang)的(de)數據，通過(guo)關注快速(su)建立成功和建立信(xin)任(ren)是(shi)關鍵。

例如，讓我們將電子郵件指標作為客戶行為的可能預測因素。 您可以從機器學習開始回答以下問題：
• 根據郵件標題打開電子郵件的概率是多少？
• 打開電子郵件后，采取特別優惠的概率是多少？

一旦確定了(le)(le)使用(yong)場景并證明了(le)(le)業務(wu)價值，那么現(xian)在(zai)是(shi)考(kao)慮將AI集(ji)成到業務(wu)中去的不(bu)同方法了(le)(le)。

 

特定解決方案
一個(ge)選(xuan)擇是與各種領域的(de)解決(jue)特定機(ji)器學習(xi)問題公司進行(xing)密切合作。 在(zai)進行(xing)大(da)規模(mo)AI項目實施之前進行(xing)小規模(mo)的(de)試水(shui)，那(nei)么這(zhe)個(ge)選(xuan)項是非常好的(de)。 隨著時間的(de)推移(yi)，人工智能可以成為您業務(wu)戰略的(de)一個(ge)組成部分(fen)，因此你需考慮找到(dao)一種更具成本效益的(de)方(fang)法，而不需要將數據導出到(dao)另一個(ge)平臺(tai)。

 

自己做
如果您想把數據保留在自己手中，您可以聘請自己的AI專家內部團隊。 如果AI是您的業務戰略的長期部分，這種方法是非常好的 然而，在競爭激烈的市場中聘請優秀人才需要較長時間。 而且保留優質AI人才也是非常昂貴的。

 

混合方法
您可以采用混合方式，與您提供特定解決方案的公司合作，并隨著時間的推移聘請AI專家。 如果您希望開始測試業務中的AI，進行一些有針對性的場景，那么這是一個很好的方法，同時構建可以在其他業務領域復制結果的專家團隊。

 

終極目標
最(zui)終(zhong)目標是將AI嵌入到您現(xian)有的(de)(de)業務(wu)流程和應用程序中。 這是阻(zu)力更(geng)小的(de)(de)途徑，因為你(ni)使用的(de)(de)是與(yu)日常相同的(de)(de)技術(shu)，只需要(yao)隨著(zhu)時間的(de)(de)推(tui)移進行小規模的(de)(de)調整。 您的(de)(de)用戶無需采用新技術(shu)即(ji)可(ke)體驗(yan)AI的(de)(de)收益。

 

總之，你越了解人工智(zhi)能到底(di)是什么，你就(jiu)會越懂得如何利用它助長你的業(ye)務！