了解人工智能背后的科学

有很多技术概念让我们能够真正理解AI，但最重要要记住的是，AI是关于构建智能计算机程序来执行如下任务：

• 视觉感知
• 语音识别
• 情绪分析

例如，自驾驾驶汽车需要计算机具有视觉感知能力，另外像Siri这样的应用程序需要具有语音识别能力。

AI背后的大脑包括机器学习，深度学习和自然语言处理等建模技术。 那我们从机器学习开始学习吧

机器学习

机器学习是AI的核心驱动力。 简单的说就是用算法来发现数据的有趣内容的过程，而无需编写解决特定问题的代码。 换句话说，这是一种用最少的编程方式让计算机从数据中学习。 取代编写代码，你只需提供给机器数据，机器会根据这些数据构建自己的逻辑功能。

那么这在实践中如何工作呢？ 一切都是从“训练数据”开始的。你提供一组数据给数据模型帮助它进行训练。 你提供模型的数据越多，它就会越健壮。

当你将训练数据提供给您的机器学习模型时，这些数据由一组属性和特征进行定义。 由机器学习模型来确定如何理解所有这些属性。

那么该模型如何决定哪些属性是建立最好模型的关键？ 该算法“权衡”模型的不同特征，以确定最佳的属性集合，当组合成一个方程式时，就可以解决具体的问题。

最后，你是否听过这句话，“进入的是垃圾，出去的也是垃圾”？ 当您准备训练数据集时，这尤其重要。 您的数据质量越好，您的模型越好。

深度学习和自然语言处理

我们前面学习到，机器学习的典型应用包括选择最佳特征来产生最佳模型。 我们还学习到，只能在训练数据优质的情况下才能一样优质的算法。

由于这些原因，当关键信息被埋在非结构化数据中时，机器学习算法的性能可能会降低。 那就是深度学习进入的地方。

深度学习

深度学习能够很好的自动学习带嘈杂的数据（读取：非结构化的），以便算法能够更有效地学习。 它还可以：

• 使用复杂的算法来执行任务，并在很少或是根本没有人力监督的情况下进行学习。
• 学习如何学习。 例如，像Google使用深度学习来不断强化照片中的面部识别能力。

自然语言处理（NLP）

自然语言处理（NLP）是机器学习的一种形式，通过在大量数据中查找行为模式来识别语言及其许多用法和语法规则。 它也可：

• 进行情感分析，其中算法在社交媒体帖子中寻找行为模式，以了解客户对特定品牌或产品的感受。
• 语音识别，提供从“聆听”到基于音频产生的文本文件。
• 问答解答，通常以具体答案处理这些问题（例如，4的平方根是什么？），未来还要探讨如何处理更复杂和开放性问题。

如何将AI加入到你的业务中去

现在，您将更多地了解AI背后的科学知识，让我们来探讨如何将AI整合到您的业务中的几种方法。

第一步是了解最初部署人工智能的原理。 组织有大量的数据，通过关注快速建立成功和建立信任是关键。

例如，让我们将电子邮件指标作为客户行为的可能预测因素。 您可以从机器学习开始回答以下问题：

• 根据邮件标题打开电子邮件的概率是多少？
• 打开电子邮件后，采取特别优惠的概率是多少？

一旦确定了使用场景并证明了业务价值，那么现在是考虑将AI集成到业务中去的不同方法了。

特定解决方案

一个选择是与各种领域的解决特定机器学习问题公司进行密切合作。 在进行大规模AI项目实施之前进行小规模的试水，那么这个选项是非常好的。 随着时间的推移，人工智能可以成为您业务战略的一个组成部分，因此你需考虑找到一种更具成本效益的方法，而不需要将数据导出到另一个平台。

自己做

如果您想把数据保留在自己手中，您可以聘请自己的AI专家内部团队。 如果AI是您的业务战略的长期部分，这种方法是非常好的 然而，在竞争激烈的市场中聘请优秀人才需要较长时间。 而且保留优质AI人才也是非常昂贵的。

混合方法

您可以采用混合方式，与您提供特定解决方案的公司合作，并随着时间的推移聘请AI专家。 如果您希望开始测试业务中的AI，进行一些有针对性的场景，那么这是一个很好的方法，同时构建可以在其他业务领域复制结果的专家团队。

终极目标

最终目标是将AI嵌入到您现有的业务流程和应用程序中。 这是阻力最小的途径，因为你使用的是与日常相同的技术，只需要随着时间的推移进行小规模的调整。 您的用户无需采用新技术即可体验AI的收益。