人工智能和机器学习

人工智能 (AI) 和机器学习 (ML) 是两种类型的智能软件解决方案，它们都对过去、现在和未来的技术如何更好地模仿类人行为产生影响。

人工智能的核心本质是一种技术解决方案、系统或计算机，旨在模仿人类智能来执行任务，同时根据收集的信息迭代改进自身。

机器学习是人工智能的一个子集，专注于构建能够根据所使用的数据来学习或提高性能的软件系统。这意味着每个机器学习解决方案都是人工智能解决方案，但并非所有人工智能解决方案都是机器学习解决方案。

人工智能、机器学习与深度学习的区别

人工智能、机器学习、深度学习。虽然这些术语正变得越来越主流化，但对于许多人来说，他们仍然感觉像是一部科幻电影的主题。让我们把事情简化，用一句话来定义每个术语：

• 人工智能 (AI)：基于学习经验和数据模拟人类决策的计算机操作。
• 机器学习 (ML)：计算机从数据得出结论的过程。ML 是 AI 的一个子集，使计算机能够在编程之外学习。
• 深度学习：为计算机提供动力，以解决非常复杂问题的过程。深度学习是机器学习的一个子集，可实现多层神经网络中的计算。

AI 的历史

人工智能概念的起源可以追溯到 20 世纪 50 年代，同时还推出了计算机的计算技术和功能。目标很简单：让计算机不止于计算，而是真正能够推动决策过程。

这意味着计算机需要超越基于现有数据的计算决策；它们需要在更大程度上着眼于各种选择，进行更多的计算演绎推理。然而，如何切实做到这一点，需要数十年的研究和创新来发现。人工智能的一个简单形式是构建基于规则或专家系统。然而，从 20 世纪 80 年代开始，计算机能力的提升意味着机器学习将改变 AI 的可能性。

机器学习的发展

基于规则的决策适用于有明确变量的简单情况。即使是计算机模拟的国际象棋，也是基于一系列规则的决定，其中包含了一些变量，如棋盘上有哪些棋子、棋子处于什么位置以及轮到哪个玩家。问题是，这些情况都需要一定程度的控制。有时候，仅仅根据变量和 if/then 规则做出的决定并不奏效。

机器学习的特点是它能够模仿人类的学习方式。

机器学习是在 20 世纪 80 年代推出的，当时的想法是，一个算法可以处理大量的数据，然后根据相关处理结果给出结论。例如，如果机器学习算法使用 if/then 规则提供大量信用卡交易来标记欺诈，则可以开始确定创建模式的次要因素，例如当账户在异常时间或在不同地理位置的商店购买某些产品时。

此类进程需要大型数据集才能开始识别模式。涉及清晰的字母数字字符、数据格式和语法的数据集虽然对所涉及的算法有帮助，但其他不太有形的任务，例如针对图片进行人脸识别则产生问题。

2000 年代，技术又向前迈出了一步，创建了一个模仿人类大脑的学习方法。

深度学习与机器学习

深度学习的工作原理是将信息分解为相互关联的关系，基本上是根据一系列的观察来进行推理。通过管理机器学习推导的数据和模式，深度学习可以创建用于决策的参考资料。与标准机器学习一样，学习数据集越大，深度学习结果就越细化。

简而言之，深度学习允许在决策过程中纳入意料之外的情境线索。想一想，小孩子是如何学习阅读的。如果他们看到“Cars go fast”这么一句话，他们可能认识“cars”和“go”，但不认识“fast”。但经过思考后，他们可以根据上下文提供的线索，推断出整句话。他们之前可能听说过“fast”这个与汽车有关的词，插画中可能会用几条线来表示速度，他们也可能知道字母 F 和 A 如何拼在一起的。这些都是各个单独的条件，例如“我是否认识那个字母，并知道它的发音？”当我们将所有条件放到一起，孩子的大脑能够得出结论，并读出句子。反过来，下次他们再看到“fast”这个词时，就能够准确地读出来了。

这就是深度学习的工作方式 — 打散各种元素，做出机器学习决策，然后研究它们之间的关系，得出最终结果。

人工智能软件

人工智能软件可以使用基于机器学习和深度学习的决策和自动化来提高组织的效率。从预测建模到报告生成再到流程自动化，人工智能可以改变企业的运营方式，从而提高效率和准确性。Oracle Cloud Infrastructure (OCI) 为数据管理提供了基于 AI 和 ML 的基础。