了解的四大关键性概念

【51CTO.com快译】 AI（人工智能）是研究开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。具体到应用来说，每一个人工智能解决方案都建立在四个基础之上，还没搞清楚？来看看我们的快速指南吧！

毋庸置疑，人工智能正在席卷整个世界，层出不穷的创新应用正实践于所有行业和领域。正如电影中描述的那样，人类使用人工智能机器人代替医生已经有几十年的时间，上至各行各业的专家，下到普通消费者，人工智能正在帮助我们更快的诊断和解决问题，比如进行精密的手术，比如用语音命令播放一首歌曲。

大众只注意到人工智能带来的益处，而对于专业人士来说，有四个概念必须要了解：分类方法、类别、机器学习和协同过滤。这四个支柱也代表了分析过程中的步骤。分类方法涉及创建特定问题域的度量（例如财务、网络）。类别涉及哪些数据与所需解决的问题最为相关。机器学习包括异常检测、聚类、深度学习和线性回归。协作过滤涉及在大型数据集上寻找模式。

分类方法

人工智能需要大量与所解决问题相关的数据。创建人工智能解决方案的第一步是创建"设计意图的指标"，它用于对问题进行分类。用户是否试图构建一个能起到关键作用的系统，帮助医生诊断癌症或者帮助IT管理员诊断无线问题，用户需要定义允许问题分解的度量标准。例如，在无线网络中，关键指标是用户连接时间、吞吐量、覆盖率和漫游。在癌症诊断中，关键指标是白细胞计数、种族背景和X射线扫描。

类别

一旦用户将问题分类到不同的区域，下一步就是进行细分，以便将用户指向有意义的结论。例如，当人工智能系统处理关键性问题时，用户必须先将具体问题以文字形式写出，然后按时间、人物、地点来分类。在无线网络中，一旦用户知道问题的类别（例如前或后连接问题），用户就需要开始分类导致问题的原因：关联、认证、动态主机配置协议（DHCP），或其他无线、有线和设备因素。

机器学习

现在这个问题被划分到特定领域的元数据块中，用户可以将这些信息输入到机器学习这个神奇而强大的世界中。有许多机器学习算法和技术，带有监督的机器学习使用神经网络（即深度学习）来实现，现在已经成为最流行的方法之一。神经网络的概念从1949年开始，笔者曾经在上世纪80年代建立了我的第一个神经网络。但是随着计算机技术的革新和存储能力的增强，神经网络被开发来解决各种实际问题，从图像识别到自然语言处理，以此来预测网络性能。其他应用还包括异常特征发现，时间序列异常和事件深度分析。

协同过滤

大多数人体验合作过滤时，他们选择在Netflix看电影或者在Amazon购物，同时获取一些影片推介或者购买建议。除了推荐系统，协同过滤也用来解决大型数据集和人脸识别。这就是所有数据收集和分析变成有意义的洞察力或行动的地方。无论是在游戏节目中，还是在医生或网络管理员中使用，协作过滤都是以高度自信的方式提供答案的手段。它就像一个虚拟助手，帮助解决复杂的问题。

人工智能仍然具有很大的开发空间，它的影响深远之处在于，在我们未来的日常生活中，人工智能将占据相当大的份额。就如同我们购买汽车之前，需要了解到引擎盖之下的内容，以确保我们选购到真正适合自己的好产品一样。

作者：刘妮娜译

来源：51CTO