AI、大数据和数据科学的10类算法, 以及它们擅长的任务

【新智元导读】AI正在改变我们的职业、我们的工作方式和我们的企业文化。AI让我们得以专注于那些真正关键的技术,让人力资源得以充分发挥他们的长处。但在工作场景中应用AI确实会让事情变得复杂,因为有各种不同层级的算法可以用于实现AI,每一类的使用和影响都有差别。为了更好地平衡人力资本和AI资本,本文作者介绍了用于实现AI、大数据、和数据科学的十大类算法,以及它们分别擅长的任务。

算法正在取代我们的工作吗?是...是的...但算法是个好东西。

算法是一系列包含能够帮助人解决问题、完成目标任务的规则的步骤。用正确的方式把这些步骤和规则组织起来,能够自动化算法建立人工智能(AI)。AI能够帮助我们做大量的分析性工作,让我们把时间集中于更有价值的事情。

AI正在改变我们的职业、我们的工作方式和我们的企业文化。AI让我们得以专注于那些真正关键的技术,让人力资源得以充分发挥他们的长处。但在工作场景中应用AI确实会让事情变得复杂,因为有各种不同层级的算法可以用于实现AI,每一类的使用和影响都有差别。为了更好地平衡人力资本和AI资本,本文介绍了用于实现AI、大数据、和数据科学的十大类算法。

1. Crunchers

这些算法使用比较少的重复步骤和较为简单的规则处理(crunch)复杂问题。我们给这些算法提供数据,它们就能得出一个答案。如果我们不喜欢这个答案,可以给算法提供更多的数据,让算法调整答案。Cruncher类算法擅长客户分类、预估项目持续时间、分析调查数据等任务。

2. Guides

这些算法为我们怎样根据成功的历史操作得出最好的策略、步骤或工作流提供指南(guides)。指南类算法擅长协调大量需要理解并执行如风险管理、战略改变、复杂项目管理等事情的动态部件。

3. Advisors

这些算法基于历史规律为我们提供预测、排名、成功的可能性等,对我们提出最佳选择的建议(advise)。建议类(advisors)算法擅长提出决策、规划和风险缓解方面的建议。

4. Predictors

这些算法使用解释历史行为和历史事件的小型可重复性决定和判断来对未来的人类行为和事件作出预测。预测类(predictors)算法擅长商业规划、市场预测、品牌管理、健康诊断,以及预测消费者行为、品牌吸引力、欺诈行为、营销机会、气候事件以及疾病爆发等。

5.Tacticians

这些算法在战术上(tactically)预先考虑短期行为并作出相应的反应。它们通过应用短期战术规则(short-term tactical rules)的组合以及从相关人员中学来的信息做到这一点。战术类(tacticians)算法擅长平衡供应链、系统性能、人力工作负荷和生产线。

6. Strategists

这些算法从策略上(strategically)预测行为并作相应的计划。策略类(strategists)算法根据过去的数据发掘洞察和创新机会。它们通过应用短期规则和长期规则的组合、从相关人员中学来的信息以及这些人在不同的环境中的反应来做到这一点。策略类(strategists)算法擅长预测市场需求、客户流失、工作效率以及员工流失。

7. Lifters

这些算法能够代替我们自动完成重复性的任务,让我们能够专注于更有价值的工作。lifters类算法擅长分析和识别规则、欺诈行为、风险、改进、转型、机会和创新等中重复的模式和差距。

8. Partners

这些算法具有我们的领域中的许多专业知识,能让我们更高效、更专注。合作伙伴类(partners)算法擅长为我们提出建议、提供训练,让我们密切了解市场变化,并调整每日、每季度以及每年的目标。Partners理解我们的行为模式,知道我们何时应该吃午饭,气温达到几度时需要开空调等等。

9. Okays

这些算法在多个领域具有专业知识,能够代替我们的团队完成全部分析工作。算法完成分析后,团队中的每个人分别根据自己的专业技能审核分析结果,然后通过(okay)结果。Okays类算法擅长从各个角度深入分析物体构建大型图像,可用于业务规划、战略改变、文化转型等。

10. Supervisors

这些算法对我们的工作具有关键作用。它们能够管理工作者及其业务,使企业保持生产效率和财力的强健。监督类(supervisors)算法能够协调人力一起其他算法,帮助我们实现长期的战略发展目标。

AI是我们在全球商业舞台上生存的关键。仅以人类资本参与竞争是不够的,我们不仅需要AI来代替我们自动化工作,让我们的创新力有更大的发挥,而且需要AI 来改变我们的行为、习惯以及工作风格,以使我们保持竞争力。为了保持我们的竞争优势,我们必须理解AI如何工作,同时AI也必须理解我们如何工作。而为了理解我们如何工作,AI必须理解情绪智能(Emotional Intelligence)。

编译来源:http://bizcatalyst360.com/10-algorithm-categories-for-a-i-big-data-and-data-science/

原文发布于微信公众号 - 新智元(AI_era)

原文发表时间:2016-11-04

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏新智元

教AI“自己构建AI”,谷歌AI编写机器学习程序效率超人类工程师

【新智元导读】最近,thenextweb一篇题为“谷歌的AI写的机器学习代码比创造它的研究人员写的更好”的文章引起讨论,“让AI自己编程”这件事进展到什么程度,...

3706
来自专栏CDA数据分析师

机器学习的商业应用

机器学习的商业应用就是把真实的场景,真实的商业应用的经验凝练成对每个数据分析师都有价值的功能,逐渐放到产品中。 本期精编版嘉宾演讲为IBM中国开发中心技术总监...

2275
来自专栏人工智能头条

百度沈国龙:BML百度大规模机器学习云平台实践

1888
来自专栏机器人网

一台电脑也可打造你所需要的人工智能大脑

当Google使用16000台机器建造了一个可以正确识别出YouTube视频中是否有猫的仿真“大脑”时,这就标志着人工智能(AI)技术迎来了一个转折点。这种新兴...

3387
来自专栏AI科技评论

详解Google第二代TPU,既能推理又能训练,性能霸道 | Google I/O 2017

AI科技评论消息,5月18日凌晨,Google CEO Sundar Pichai在I/O大会上正式公布了第二代TPU,又称Cloud TPU或TPU 2.0,...

3595
来自专栏企鹅号快讯

未来智能实验室确定智能产品AI服务智商权重

前言:本文是未来智能实验室关于智能产品智商的最新研究文章,在提出人工智能的三种智商后,通过德尔菲法,对智能产品AI服务智商的权重进行了确定,为2018年智能产品...

1958
来自专栏AI科技评论

AI NEXT | 微软首席 AI 科学家邓力:对话系统的分类与发展历程

AI科技评论按:本月 18 日,由美中技术与创新协会(Association of Technology and Innovation,ATI)主办的第一届“A...

3857
来自专栏镁客网

微软前副总裁谈人工智能:人类依然不可或缺

1445
来自专栏ATYUN订阅号

【科技】人工智能的下一个前沿:建立读懂你的情绪的机器

现有的人工智能,神经网络和机器学习等技术的蓝图是人类的大脑,因为大脑是解决目前我们所知问题的最有效的工具。 ? 然而,这些技术有很大一部分缺失—即人类智慧的情商...

2948
来自专栏理论坞

用户体验 · 知识体系汇总

作为一门新兴学科,在具体的设计操作过程中,用户体验设计吸取了多个学科的知识。除了第一章所讲述的面向人的学科和面向技术的学科之外,还包括面向设计的学科。

1012

扫码关注云+社区

领取腾讯云代金券