人工智能-科普-人工智能是什么？

人工智能在商业中的应用是通过机器学习算法来实现的。机器学习是计算机科学的一部分，专注于计算机系统学习执行特定任务，而不使用明确的指令，而是依靠模式和推理。

机器学习算法通过处理数据，而不是通过接收明确的编程指令（'if-then'循环）来检测模式并学习如何做出预测和建议。随着时间的推移，算法会随着新数据的到来而改进，通过实例进行 "学习"。

机器学习主要用于：

• 预测：将会发生什么。
• 决策方案：为实现目标应该做什么。
• 描述：发生了什么。

监督学习使用训练数据和人的反馈来学习给定输入与给定输出的关系（例如，输入 "日期 "和 "销售 "如何预测客户的偏好）。如果你已经知道如何对输入数据进行分类以及你想预测的行为类型，但你想在新的数据上进行分类，就可以使用它。

无监督学习在输入数据时，不赋予明确的输出变量（例如，预测客户销售数据以识别模式并对其进行分类）。当你想对数据进行分类，但你不确定如何自己给数据打标签，或者你想发现隐藏的模式时，可以使用它。

强化学习通过尝试最大化为它的行为规定来学习执行任务（例如，最大化投资组合的回报）。当你的训练数据有限，而且你无法明确定义最终目标，或者你想探索各种可能性，而不假设解决方案可能是什么时，就可以使用它。

最常见的做机器学习的框架是Python作为编程语言。机器学习模型的实验通常需要使用强大的计算机来 "训练 "算法。这就是为什么做人工智能的额外成本是数据科学家训练模型时的云成本。这些费用可能从每月几百元到数百万不等，这取决于数据和机器学习架构有多重。对于大多数企业来说，成本不会超过每月几千元，除非他们想在人工智能能力上大量投资，并训练自己的模型，而不是大多使用预先训练的开源解决方案。

机器学习算法最常见的架构是神经网络。你可以把它们想象成不同尺寸和颜色的乐高积木，你可以将它们混合起来构建一个特定的结构。神经网络的基本参数是它有多少层以及这些层之间如何相互作用。

深度学习是机器学习的一个子领域，它专注于至少有3层的神经网络。深度学习是当今人工智能如此流行的实际原因，因为它在图像或语音识别方面的应用远胜于经典方法。神经网络结合足够的计算能力，在真实世界的数据上能给出出色的结果。

'大数据'是近十年来经常使用的另一个热词。大数据从来没有一个合适的定义，总是意味着拥有超过使用一台个人电脑所能处理的数据。这就是为什么我们今天所理解的大数据（PB级数据）与10年前的大数据（TB级数据）相去甚远，以及未来10年它将如何变化（Exabytes）。

由于数据对机器学习算法至关重要，"大数据 "作为探索人工智能能力的一个基本术语，又回到了组织中。机器学习需要将正确的数据集应用到学习过程中。你不需要大数据来使用机器学习算法，但大数据可以帮助你提高算法的准确性。

这就是为什么很多时候，你并不一定需要大量的数据才能开始实验人工智能。尤其是随着强化学习等技术的提出，AI对于每一个组织来说都是触手可及的。从AI中获益的第一步是准备数据，通过清洗数据并按人类同事进行分类。然后，机器学习工程师和数据科学家将能够处理剩下的事情。