AI 與機器學習

人工智慧 (AI) 和機器學習 (ML) 是兩種類型的智慧型軟體解決方案，可影響過去、現在和未來技術的方式，是設計來模擬更多的人才。

核心人工智慧是技術解決方案、系統或機器，旨在模擬人工智慧執行作業，而根據收集的資訊，反而改善本身。

機器學習是 AI 的子集，著重於建置可根據所使用資料來學習或提升效能的軟體系統。這表示每個機器學習解決方案都是 AI 解決方案，而不是所有 AI 解決方案都是機器學習解決方案。

人工智慧與機器學習與深度學習

人工智慧。機器學習。深度學習。雖然這些術語越來越受到主流影響，但對許多人而言，他們仍覺得像是科學小說電影的主題。讓我們簡化並嘗試使用每一學期的單行定義：

• 人工智慧 (AI)：根據學習經驗和資料模擬人類決策的電腦動作。
• 機器學習 (ML)：允許電腦從資料衍生結論的程序。ML 是 AI 的子集，可讓電腦在程式設計之外學習。
• 深度學習：驅動電腦解決非常複雜問題的流程。深度學習是 ML 的子集，可在多層神經網路中進行運算。

AI 的歷史

人工智慧的概念隨著機器運算技術和能力的出現，可追溯至 1950 年代。目標是簡單：超越使用電腦作為計算方法，並實際推動決策。

這意味著電腦必須超越根據現有資料計算決策；他們需要更深入了解各種選項，以獲得更計算出的推論。不過，這在實際完成的過程中如何需要數十年的研究與創新。簡單的人工智慧形式是建立以規則為基礎或專家系統。不過，隨著 1980 年代開始的電腦電源增加，機器學習將改變 AI 的可能性。

機器學習的演進

規則型決策使用明確變數來簡化情況。即使是電腦模擬的起司，也基於一系列以規則為基礎的決策，這些決策包含各種變數，例如主機板上的哪些零件、它們所在的位置，以及它的運作狀況。問題是，這些情況都需要某種程度的控制。在某個時刻，可以根據變數作出決策，如果 / 則規則沒有作用。

然後，這塊磚是模仿人類學習的方式。

機器學習是在 1980 年代引進的，該演算法可以處理大量資料，然後根據所得到的結果開始確定結論。例如，如果機器學習演算法收到大量信用卡交易，而且使用 if/then 規則標示詐騙，就可能開始識別建立模式的次要因素，例如帳戶在不尋常的時間購買某些項目或位於不同地理位置的商店時。

這類處理需要大型資料集來開始識別模式。但是，當包含明確的文數字字元、資料格式和語法的資料集有助於演算法相關時，其他較不有形的工作 (例如識別圖片上的面貌) 會造成問題。

在 2000 年代，技術又向前邁進了一步，而這只是為了創造能模仿人類大腦的學習方法。

深度學習與機器學習

深度學習的運作方式是將資訊細分為相互連結的關係，基本上是根據一系列觀察來扣除項目。藉由管理機器學習的資料和模式，深度學習會建立許多用於決策的參考。如同標準機器學習，學習的資料集越大，深度學習結果越精確。

解釋深度學習的簡單方法，就是能讓意料之外的內容線索進入決策流程。考慮孩子學習如何閱讀。如果他們看到一個句子，說「大家快去吧」，他們可能認識到「大家」和「快去」等字，但「快不快」。不過，有些人認為，他們可以因為內容線索來扣除整個句子。「快速」是他們之前可能聽過有關汽車的字詞，插圖可能顯示指示速度的線條，他們可能知道字母 F 與 A 如何一起運作。這些是每個個別的項目，例如「我認識這封信並且知道它如何發音？」但是，當孩子們聚在一起時，大腦就能夠做出決定，並閱讀句子。反之，這會在下次看到「快速」這個字時，強化了怎麼說。

這是深度學習如何運作 - 分解各種元素以做出機器學習決策，然後查看它們如何互連以推論最終結果。

人工智慧軟體

人工智慧軟體可以使用由機器學習和深度學習驅動的決策和自動化功能，提升組織的效率。從預測模型製作到報告產生到流程自動化，人工智慧可以改變組織的運作方式，從而提高效率和準確性。Oracle Cloud Infrastructure (OCI) 提供 AI 和 ML 支援的雲端資料管理基礎。