关于人工智能与机器学习的8个常见问题及解答

关于人工智能与机器学习的8个常见问题及解答

• 来源:网络
• 更新日期:2020-05-28

摘要：很多IT人士和商业领袖会遇到关于人工智能和机器学习的一些错误观点，或许没法区分它们分别能起什么作用，实现什么价值。今天我们来看看有关人工智能和机器学习的真相。有些人把

很多IT人士和商业领袖会遇到关于人工智能和机器学习的一些错误观点，或许没法区分它们分别能起什么作用，实现什么价值。今天我们来看看有关人工智能和机器学习的真相。

有些人把人工智能和机器学习这两个词互换使用，它们之间的区别可能看起来很微小，毕竟机器学习是人工智能的一个分支。然而，IT人士和业务领袖需要理解并能够阐明它们之间的区别。随着企业对人工智能解决方案越来越感兴趣，市场上所谓的“智能”解决方案供应商数量也不断增长。

在对待人工智能和机器学习的态度上，可分为两大阵营: 盲目自信以及不知所措。如果对人工智能和机器学习的内核不十分清楚，企业可能会因此误入歧途，从而去开启一些让人失望的项目，或者陷入假的解决方案困境里。

因此，这里我们可以澄清一些人们会遇到的误解，因为行业分析师表示，盲目自信以及不知所措都不是正确对待人工智能的最好方式。

1. AI与ML之间的关系；

拿俄罗斯套娃比喻：人工智能是一个大的领域，而机器学习是人工智能里面的第一个下属部分，其他能力都依次向下排列。IT咨询公司Pace Harmon主管解释道:“人工智能是一个比较宽泛的容器术语，它涵盖的了各种工具和算法，这些工具和算法使机器能够复制人类的行为和智能。”人工智能有很多种类。机器学习是其中之一，但还有自然语言处理、深度学习、计算机视觉等等。

密歇根理工大学计算学院副教授将人工智能的工作方式比作人类学习骑自行车:“你不会跟孩子说，左脚在踏板上做向前圆周运动的同时右脚也做圆周运动，而你会推孩子们一把，告诉他们保持自行车直行向前，因为这是向前才是目标。虽然他们会跌倒，但每次失败孩子们都会磨练自己的技能。这就像人工智能。”

机器学习是实现目标的一种方法。管理咨询公司Everest Group执行副总裁解释说，机器学习使用统计分析来自主学习并改进其功能。 它使用各种算法来分析数据，识别模式，并生成必要的输出。机器学习就是驱动预测分析和预测建模的一种能力。

2.人工智能本身不是单一的物体；

ISG认知自动化和创新主管表示:“人工智能是数百条不同线索的集合，而机器学习是许多人工智能应用的核心组件，是人工智能的一部分。它能让人工智能系列得以改进，无论是图像识别算法来识别动物和汽车，还是语音识别理解特定语言中的口音。

虽然有些销售人员可能会把人工智能定位成单一的东西，但你需要反驳这种观点。

虽然这并不容易，但是IT领袖越是在所在组织中和业务解决方案中能够澄清人工智能、机器学习和其它分支的定义和区别，就会出现越少的误解。随着人工智能得到更广泛的理解，相信情况会越来越好。人工智能领域的细微差别越来越广为人知，术语就会变得不那么重要。

3.不需要数据专家来研究人工智能和机器学习？

目前有许多现成的结合了机器学习或其他形式的人工智能的解决方案，企业确实可以利用这些解决方案来增强对它们的熟悉度。

4.留出足够的时间进行早期试验？

一开始，通过反复试验和不同的概念证明来学习和了解人工智能是很有必要的。

5.从业务问题开始

将人工智能或机器学习计划转变为实践的不成功案例，最主要的罪魁祸首往往是使用技术优先的方法。相反，企业首先应该确定他们要向谁转变，怎样转变以及和谁一起转变。通过人工智能和机器学习阐明企业对加强服务、交付、客户参与模型等方面的期待，有助于定义数字化战略。

当需要超越实验的时候，先把工具放在一边。企业必须想清楚它希望人工智能为它做什么、回答什么问题以及解决什么业务问题。对于完全理解以及通过用人工智能解决的商业问题，与业务人员合作至关重要。

6.不要低估数据需求

机器学习需要质量好的数据，而且是大量好的数据。所以，企业需要弄清楚需要什么数据，研究这些数据，并时常检查和验证它们，来确保这些数据为人工智能学习和分析提供了好的样本。

7.着眼于更大的图景

IT领袖需要确定人工智能和机器学习解决方案在企业内的扩展效率，并切实考虑实现它们所需要的技术堆栈。这一过程还包括解决组织人才问题以及推动这一变革的工作方式等。

8.迭代与微调

专家建议“时刻为迭代做好准备，第一次尝试很少能解决问题。但也不要预设人工智能永远正确和无懈可击，要经常检查输出是否存在偏差，并通过更好的数据集或更大的样本量来解决问题。”