什么是人工智能？

在开始之前，让我们弄清楚定义-什么是人工智能（AI）？ 或更具体地说，是什么？ 如您所料，请任何技术人员提供某些定义，您将得到十几种不同的答案，其中至少有一半会是“取决于情况”。

以我的拙见，人工智能是一种机器或程序，可以从其经验中学习并相应地调整其行为。

尽管我很喜欢聊天机器人和语音界面，但由于它们倾向于静态选择知识和交互方式，因此大多数聊天机器人和语音界面都不在其中。 他们的开发人员可能会从应用程序日志中学习并随时间更改应用程序，但事实并非如此。 当前AI的流行和广泛应用包括游戏智能（玩耍或跑步），自动驾驶汽车以及对象操纵和感知。

人工智能不是新事物。 甚至在2002年遥遥遥遥的时候，我甚至在大学里都学过一些AI模块，其历史可以追溯到更远的时候。 尽管技术已经存在了一段时间，但最近的需求和不断下降的硬件价格已经引起了活动，兴趣，项目和应用的激增。

您可能已经听说过许多其他通用AI技术，其中包括用于训练智能的机器学习以及用于处理输入和输出（语言处理，图像识别等）的多种技术。 人工智能是一个重要的话题，在总结中，我会尽可能地简化，因此请牢记这一点。 好的，我们开始！

机器学习

认为机器学习（有点）类似于人类上学。 这是您的应用程序获得初步知识时所需要的，它必须是有用的并在从经验中学到的基础上继续发展。 就像在学校里的人类一样，它具有根据所学知识和教学方式做出判断和采取行动的能力。

如果为应用程序提供了断开，受限或有偏见的信息集，则该信息集的效果可能不那么理想。 正确地平衡训练AI的难度是困难的，并且（比技术领域的正常水平还要高）， 实际上取决于您的用例。 如果您要为小众用例创建AI，并且要使用较小的数据集，则它不需要像AI那样广泛的培训，而是可以从大量数据源中提取的培训。

深度学习和神经网络

深度学习是机器学习的子集，其重点是尝试复制人脑的工作方式。 这是一个神秘的说法，因为我们甚至没有完全理解人脑的工作方式。 更重要的是，现在的计算能力使我们能够更好地模仿我们对人脑的感知方式，以及它如何从经验中学习。

神经网络是深度学习背后的方法，多个节点通过考虑示例然后与网络中的其他节点共享经验来承担任务。 如果一个节点了解某项任务的成功等于什么，则他们可以与其他所有节点共享成功，并进行新的实验。

认知计算

如果您认为到目前为止的定义很宽泛，请准备感到惊讶，因为尚无公认的认知计算定义，因此我将尝试尝试自己的定义。

如果神经网络试图模拟大脑，那么我认为认知计算将通过有用的感官信息来增强“大脑”。 这些信息包括文本和听觉语言，图像，热量，空间感知等。 提供给网络的额外数据流有助于其适应变化并做出响应，从而根据变化做出决策。

计算机视觉

尽管现在有些人可能将其视为认知计算的一部分，但计算机视觉的历史越来越悠久，历史越来越悠久。 我什至还记得图像识别是我在大学中最喜欢的单元之一。

在AI上下文中，“视觉”还包括我们不曾看到的图像，因为机器还可以处理我们无法看到的其他类型的视觉输入，例如X射线或红外线。

自然语言处理（NLP）

作为一名作家，NLP是我最感兴趣的AI方面。 同样，这不是一门新学科，但是最近的进展使它进一步发展。 NLP负责翻译人类书面或口头语言，以理解其内容，上下文和意图，并根据所学知识适当地回应人类。

工具和库

当涉及到工具和库建议时，每个部分都有一些特定的建议，而其他建议则跨多个类别。 这个领域的许多库都是针对Python开发人员的，但我也会尝试包括一些支持其他语言的库。

主要云提供商

IBM正在努力开发他们已经臭名昭著的AI工具和平台。 Watson有一个服务和库可以满足上述大多数用例，并且通常可以选择自行托管或在其云中运行。

毫不奇怪，所有领先的云提供商都提供其产品。 这就是Google必须提供的 （包括流行的TensorFlow），Azure 在这里和这里 ，最后是AWS 在这里和这里 。

还有许多自安装的开源选项，并且快速的Internet搜索结果包含数十种选项。 这是常见收藏夹的一小部分。

• Keras是一个高级神经网络Python库，它可以位于其他深度学习库之上，旨在简化模型的实验。
• MXNet ，一个新的但已经很流行的深度学习库，它支持多种编程语言和部署方法。
• Deeplearning4j是基于JVM的深度学习库，它还具有企业友好型产品，并带有用于实验的内置可视笔记本。
• Spark MLib ，如果您已经在使用Spark进行数据流传输，那么此附加库可帮助您对数据进行更多处理。
• OpenCV是一个广泛使用（并受支持）的计算机视觉库。
• SimpleCV与此类似，并且紧随其后 。
• NLTK是用于处理和理解自然语言的Python库。
• 对于JVM用户，您正在寻找OpenNLP 。

伦理

具有技术头脑的人可能会想知道为什么我添加了这一点，但这对我来说很重要，因此我将其潜入其中。

随着我们（作为企业和社会）越来越依赖于AI为我们承担越来越多的任务，我们需要谨慎。 我不相信杀手机器人的科幻预测，但是还有其他与AI相关的真实且更直接的问题。

在涉及培训数据的无监督自动化系统决策方面，技术行业缺乏多样性尤其重要。 我不认为工程师会在他们的机器学习模型中故意引入有偏见的数据，但是我们经常没有意识到自己的潜意识偏见，尤其是当我们团队中没有其他人向我们提出的“不正确的”挑战时。 ” 记得…

算法没有偏见，但人们有偏见。

翻译自: https://www.javacodegeeks.com/2018/07/what-is-artificial-intelligence.html