人工智能关键技术|人工智能7大关键技术

人工智能关键技术（人工智能7大关键技术）

导读：企业使用AI的一个复杂因素是，这个主题包含了多个不同的底层技术。这些技术中大多数都能够完成很多替代功能。技术和功能的组合非常复杂，表1-1列出了7项关键技术，包括每项技术的简要描述，以及它们可以实现的一些典型功能或应用程序。

表1-1 人工智能关键技术
本文会更深入地描述这个表中的每种技术及其功能。我还将论述每种技术在商业AI世界有多普遍。我的本职工作是商学院的教授（跟很多不同的公司合作过），但我也是德勤战略和分析实践部门的高级顾问，该部门整合了人工智能方面的咨询工作。
下面是对每一项技术及其功能的深入描述。
作者：托马斯H. 达文波特（Thomas H. Davenport）
来源：华章科技

01~03 统计机器学习、神经网络和深度学习机器学习是一种自动将模型与数据匹配，并通过训练模型对数据进行“学习”的技术。机器学习是AI最常见的形式之一。
在2017年德勤对250位经理（其所在公司都已经在探索AI）开展的“了解认知”调查中，接受调查的公司58%在其业务中采用了机器学习。它是许多人工智能方法的核心技术并且有很多的版本。公司内部和外部数据（尤其是这些外部数据）的爆炸式增长使它们采用机器学习来全面理解这些数据变得既可行又必要。
神经网络是机器学习的一种更为复杂的形式，该技术出现在20世纪60年代，并用于分类型应用程序，例如确定信贷交易是否为欺诈行为。它根据输入、输出、变量权重或将输入与输出关联的“特征”来分析问题。它类似于神经元处理信号的方式，但把它比作大脑就有些牵强了。
最复杂形式的机器学习将涉及深度学习，或通过很多等级的特征和变量来预测结果的神经网络模型。得益于当前计算机架构更快的处理速度，这类模型有能力应对成千上万个特征。
与早期的统计分析形式不同，深度学习模型中的每个特征通常对于人类观察者而言意义不大。这导致的结果就是该模型的使用难度很大或者难以解释。在德勤的调查中只有34%的人在使用深度学习技术。
深度学习模型使用一种称为反向传播的技术，通过模型进行预测或对输出进行分类。AI技术已推动了该领域的许多最新进展，从在围棋大赛中击败人类专家到对互联网图像进行分类，便是使用反向传播的深度学习。在多伦多大学及谷歌任职的杰弗里辛顿（Geoffrey Hinton）通常被称为深度学习之父，部分原因就在于他在反向传播方面的早期研究。

机器学习采用了上百种可能的算法，其中大多数算法有些深奥。它们的范围从梯度增强（一种构建用于解决先前模型错误的模型的方法，从而增强预测或分类能力）到随机森林（作为决策树模型集合的模型）。
越来越多的软件工具（包括DataRobot、SAS和谷歌的AutoML）支持机器学习模型的自动构建，这些模型可以尝试许多不同的算法来找出最成功的算法。一旦通过训练数据找到了能够进行预测或分类的最佳模型，就可以部署它，并对新的数据进行预测或分类（有时称为评分过程）。
除了所使用的算法外，机器学习的另一个关键是模型如何进行学习。有监督学习模型（到目前为止是业务中最常用的类型）是使用一组对输出做了标记的训练数据进行学习。
例如，一个试图预测银行欺诈行为的机器学习模型需要在一个明确构成欺诈案例的系统上接受训练。这并不容易做到，因为实际欺诈的频率可能只有十万分之一（有时称为不平衡分类问题）。
有监督学习与在评分模型中部署的传统分析方法（如回归分析）非常相似。在回归分析中，目标是创建一个模型，使用一组与输出有关而且其值已知的输入变量来预测一个已知结果。一旦模型开发完成，就可以用它通过相同输入变量的已知值来预测一个未知的结果。
例如，根据患者的年龄、体育活动水平、热量消耗和体重指数，我们可以开发回归模型来预测他患上糖尿病的可能性。
我们针对已确诊患有糖尿病或没患糖尿病的患者建立模型（通常使用所有可用数据来建立回归模型）。一旦找到了合适的预测回归模型，就可以使用它基于一组新的数据来预测未知的结果（输入变量达到特定等级时患者患上糖尿病的可能性）。其后的活动（在回归分析和机器学习中）称为评分。