人工智能，机器学习和深度学习：您需要知道的一切-CSDN博客

在人工智能，机器学习和深度学习方面，有很多营销热议和技术旋转。大部分内容要么太蓬松，要么太数学化，要么太笼统，要么太专注于特定应用程序，太脱离业务成果和指标，而且太无方向了。

本文通过以下方式概述了这些相关技术：

定义AI，机器学习和深度学习，解释与传统方法的差异，描述何时使用它们，并指出其优缺点。
解释它们如何补充业务框架并实现业务成果和指标。
描述机器学习和深度学习模型训练的常见类型，算法，架构，性能评估以及良好性能的障碍。
提供工作中的机器学习模型和算法的示例。
为业务成果的AI实现提供潜在的框架。

[在InfoWorld上深入学习机器学习： 11种必备的机器学习工具。 • 掌握机器学习的13个框架 • 揭秘了机器学习管道 •回顾： 6个机器学习云 • 您应使用哪个Spark机器学习API？ ]

杰里·哈坦托（Jerry Hartanto）领导着Trace3的AI和自助服务BI实践，Trace3是一家技术解决方案提供商，其咨询业务不断发展，包括数据智能，云解决方案，网络分析，开发人员和数据中心解决方案。 Hartanto的背景是管理咨询，公司/业务战略，营销和销售，运营和流程改进以及产品开发和工程。他拥有麦吉尔大学的电机工程学士学位，约翰·霍普金斯大学的电机工程硕士学位和密歇根大学的工商管理硕士学位。可以通过jhartanto@trace3.com与他联系。本文及其数据改编自2018年11月在南国技术大会（SoTec）上的演讲，并经Trace3许可使用。

为什么选择AI：业务环境中的AI

所有组织都致力于实现特定的结果，并且他们通过多种业务指标和流程来实现这一目标，例如收入，成本，上市时间，流程准确性和效率。但是他们的资源有限（金钱，时间，人员和其他资产）。因此，问题归结为做出关于资源分配的良好决策（什么样的资源，多少/多少，它们应该做什么，它们需要什么功能等），并且做出这些好的决策要比竞争对手和快于市场变化。

做出这些决定很困难，但是很明显，当可以获得数据，信息和知识时，它们变得非常容易。假设这些输入可用，则需要对它们进行汇总和挖掘。分析人员需要时间将部落知识从主题专家的脑海中拉出来，以适应不断变化的业务规则，在可能的情况下校准个人偏见，并发现模式并产生见解。理想情况下，分析人员和管理人员应（在时间允许的情况下）评估多种情况并进行多次实验，以增强对其建议和决策的信心。最后，需要对决策进行操作。

下载

将此AI深入了解为PDF文档

下载此长达26页的AI，机器学习和深度学习指南，以方便您阅读。轨迹3

输入AI，机器学习和深度学习，其中：

根据观察为组织建模。
通过同时审查许多因素和变量来产生见解（远远超出一个人在合理的时间段和成本约束下所能实现的目标）。
随着提供新的观察，不断学习。
量化结果的可能性（即预测可能发生的情况）。
规定特定的操作以优化业务目标和指标。
通过更快的重新培训与传统的慢速重新编程相比，可以快速适应新的业务规则。

如今，使AI，机器学习和深度学习成为可能的是数据量和数据类型的激增，以及计算和存储硬件和工具的较低成本。网络规模的公司（例如Facebook，Google，Amazon和Netflix）已经证明了它的有效性，并且受到各个行业组织的关注。如图1所示，人工智能，机器学习和深度学习三者结合了商业智能，克服了决策障碍，从而促进了组织实现其商业目标。

来自InfoWorld的更多AI深入探讨

人工智能，机器学习和深度学习适用于指标驱动型组织和企业中的每个人。

麦肯锡全球研究院在其2011年5月的出版物“大数据：创新，竞争和生产力的下一个前沿”中指出，知道如何使用分析结果的管理人员和分析师之间的差距为150万个数量级。超出了产生分析的人员（例如数据分析师和数据科学家）的范围。

换句话说，数据价值链中的瓶颈不是数据或分析。它是在上下文中以智能方式使用数据/分析以进行手术的能力。这是业务和流程专业人员将AI，机器学习和深度学习与已经非常了解的业务框架和概念相结合的机会。有机会在这些框架和概念中定义问题和假设，然后使用AI，机器学习和深度学习来查找模式（见解）并测试需要花费很长时间进行测试的假设，否则，识别这些代价将太昂贵和测试，或者对于人们来说太难了，如图2所示。

组织和企业越来越多地转向AI，机器学习和深度学习，因为很简单，企业正变得越来越复杂。我们人们一次要处理的事情太多了。也就是说，有太多数据点（相关的和不相关的）供我们综合。这样看，太多的数据可能是一个责任（分析瘫痪，有人吗？）。

但是，人工智能，机器学习和深度学习可以通过系统地确定其重要性，预测结果，规定特定的操作以及自动化决策来将大量数据变成资产。简而言之，人工智能，机器学习和深度学习使组织和企业能够承担驱动业务复杂性的因素，其中包括：

价值链和供应链更加全球化，相互交织并专注于微细分市场。
快速变化的业务规则，以与竞争对手以及客户的需求和偏好保持同步。
正确预测和部署稀缺资源，以优化竞争项目/投资和业务指标。
需要同时努力提高质量和客户体验，同时降低成本。

在许多方面，人工智能，机器学习和深度学习要优于显式编程和传统统计分析：

不需要真正了解业务规则即可达到目标结果-只需对示例输入和输出进行机器培训即可。
如果业务规则发生更改，使得相同的输入不再导致相同的输出，则只需对机器进行重新培训（而不是重新编程）即可，从而可以缩短响应时间并减轻人们学习新业务规则的需要。
与传统的统计分析相比，人工智能，机器学习和深度学习模型的构建相对较快，因此可以通过尝试学习重试方法快速迭代多个模型。

来自InfoWorld的更多机器学习深入探究

但是，AI，机器学习和深度学习确实有缺点，如图3所示。其中，它们仍然基于统计数据，因此输出中存在不确定性因素。这使得将AI，机器学习和深度学习集成到工作流中变得非常棘手，因为机器决策中的高度歧义可能应该由人来处理。为了提高机器的准确性，应将错误（和正确答案）反馈给机器，以用于其他培训（学习）。

此外，人工智能，机器学习和深度学习模型的解释也较少；也就是说，可能不清楚他们如何做出决定。对于具有许多“层”和“神经元”的复杂深度学习模型尤其如此。在高度管制的行业中，这种不清晰可能会特别令人担忧。应该注意的是，有很多研究集中在这个领域，所以也许将来不会成为不利。

考虑到优点和缺点，什么时候应该使用AI，机器学习和深度学习？这里有一些想法：

值得一提的是：取得高潜力的业务成果，但是传统方法太麻烦，费时或根本不合适。
相关数据可用且可访问。
主题专家认为，数据包含有意义的信号（也就是说，可以从数据中收集见识）。
问题定义与机器学习或深度学习问题有关，例如分类，聚类或异常检测。
用例的成功可以映射到机器学习和深度学习模型的性能指标，例如精确调用和准确性。

AI的定义：从BI到AI的自然发展

人工智能，机器学习和深度学习是商业智能的自然发展。 BI在描述和诊断过去事件的地方，人工智能，机器学习和深度学习试图预测未来事件的可能性，并规定如何增加这些事件实际发生的可能性。一个简单的例子说明了这一点，GPS指导您从A点到达B点：

描述：车辆走了什么路线，花了多长时间？
诊断：为什么车辆在特定的交通信号灯下要花费很长时间（假设GPS平台/工具跟踪事故和车辆体积之类的东西）？
预测：如果车辆从A点到B点，预计的预计到达时间是多少？
规定：如果车辆从A点驶向B点，则该车辆应采用什么路线实现预期的预计到达时间？

人工智能预测

预测的一个例子是情感分析（某人喜欢某事的概率）。假设您可以跟踪和存储任何用户发布的文本内容（例如推文，更新，博客文章和论坛消息）。然后，您可以构建一个模型，该模型可以根据他或她的帖子预测用户的情绪。

另一个例子是提高客户转化率：如果人们有机会赢得自己想要的奖品，他们就更有可能注册订阅，因此您可以预测哪些奖品会带来最高的转化次数。

AI中的处方

处方是关于在各种流程（例如营销，销售和客户服务）中优化业务指标的，它是通过告诉规范分析系统应优化哪些指标来实现的。这就像告诉GPS您要优化的内容，例如最少的油耗，最快的时间，最低的行驶里程，或者经过最多数量的快餐店，以防万一。在业务环境中，您可以将转化率提高10％，销售额提高20％或将净发起人得分（NPS）提高5点。

从那里，说明性分析系统将规定一系列操作，这些操作可以导致您想要的相应业务成果。

假设您要实现10％的转化率提升。系统可能会规定：