当前位置:

OFweek人工智能网

机器学习

正文

你应该知道的人工智能四个关键概念

导读: 大多数人关注的是AI的一些成果性的东西,一些实际的用例。当然,还有霍金的“人工智能威胁论”。但透过外表去看这台“机器”是如何“运转”的,此处我们会谈到需要去理解的四个基本要素:分类、分级、机器学习和协同过滤。

人工智能(AI)正席卷全球,目前已有很多创新用例,而且几乎应用于所有行业。虽然说,要做出用智能机器人代替医生这种听起来就很科幻的东西,还有几十年的路要走,但现在人工智能也正为各行各业的专家们,提供着决策与解决问题方面的帮助。也会为我们消费者提供一些非常便利的功能,比如听歌识曲。

大多数人关注的是AI的一些成果性的东西,一些实际的用例。当然,还有霍金的“人工智能威胁论”。但对于我来说,我更喜欢透过外表去看这台“机器”是如何“运转”的,此处我们会谈到需要去理解的四个基本要素:分类、分级、机器学习和协同过滤。

分类涉及到创建特定于待解决问题领域的度量(如金融、网络)。分级包括确定数据与待解决问题的相关程度。机器学习涉及到异常检测、群集、深度学习和线性回归。协同过滤涉及到跨大数据集去寻找应用模型。

分类

AI需要大量与解决问题相关的数据,创建一个人工智能解决方案的第一步是创建一个我称之为“设计意图指标”,用于将问题进行分类。无论用户试图建立一个系统去帮助医生诊断癌症还是去帮助IT管理员诊断无线网络问题,都需要定义度量,使问题被分解成一个一个的小块。例如,在无线网络中,关键指标是用户连接时间、吞吐量、覆盖面积和漫游。在癌症诊断方面,关键指标则是白细胞计数、种族背景和X射线扫描。

分级

一旦用户的待解决问题有了一个明确的分类,下一步就是对每个分类进行分级,帮助用户走向可获得有意义结论的方向。例如,在训练人工智能系统时,用户首先必须对问题属于单纯性文本还是双关语进行分等,然后按时间、人、事或位置进行分等。在无线网络中,一旦用户知道问题的类别,就需要开始对导致问题出现的因素进行分等:关联规则、认证、动态主机配置协议(DHCP)或其他的无线、有线和设备因素。

机器学习

现在的问题是将其划分为元数据的特定领域块,用户需要将这些信息“喂给”神奇的、强大的计算机,让其进行吞食及学习,也就是机器学习。机器学习领域有很多算法和技术,使用神经网络的监督机器学习(即深度学习)现在已经成为最受欢迎的方法之一。神经网络的概念现于1949年,随着计算和存储能力的增强,神经网络已经开始被训练用以解决各种实际问题,从图像识别到自然语言处理再到网络性能预测。其他的应用包括异常特性发现、时间序列异常检测和事件关联根本原因分析。

协同过滤

大多数人在线上视频网站看视频或电商平台购物的时候,都会体验到协同性的过滤,并收到他们可能喜欢的电影或商品的推荐。除了推荐,协同过滤还被用来对大量数据进行排序,并在人工智能解决方案的制定上落下最后一笔。在这一过程中,所有的数据收集和分析都变成了有意义的见解和行动。无论是在游戏中,还是对医生、网络管理员,协同过滤都是能够提供高可信度答案的手段。它就像一个虚拟助手,能够帮助你解决各种复杂的问题。

人工智能仍然是一个新兴的领域,但它的影响是深远的,也会越发强烈,因为它会慢慢成为我们生活的一部分。选择一个人工智能解决方案,其实和选购汽车很相似,我们不仅要看车的外形,还要了解引擎盖下面那些真正能够代表车的性能的东西。这样,我们才能知道这辆车是否能达到我们的需求。

声明: 本文由入驻OFweek公众平台的作者撰写,除OFweek官方账号外,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

我来说两句

(共0条评论,0人参与)

请输入评论

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码: