机器学习和AI这两个术语可以互换使用 但它们是完全不同的技术

科技 2021-10-12 18:35:46
导读 大家好,我是本栏目的编辑郝帅,现在就给大家讲解一下以上关于数字新技术诞生的问题。我们正处于一个激动人心的时代。在大多数成年人的生活

大家好,我是本栏目的编辑郝帅,现在就给大家讲解一下以上关于数字新技术诞生的问题。我们正处于一个激动人心的时代。在大多数成年人的生活中,科幻小说已经成为人们日常生活中不可或缺的一部分。

然而,在技术领域,没有什么比这更简单的了,可能是因为从幻想到世俗的转变,不同的术语和它们所指的技术之间可能会有混淆。

人工智能(AI)和机器学习(ML)就是这样两个术语:虽然它们在流行文化和媒体中经常互换使用,但它们实际上并不是一回事。

造成混乱的原因可能有两个。首先,人工智能是一个相当宽松的属性,适用于任何被视为“智能”的东西。家庭助理(如Google Home、Alexa、Siri)被视为AI,可能是大多数人遇到这种技术的场景,但也可以参考一些形式的建议文本,比如写邮件的时候。除了人与人之间的交互之外,人工智能还与其他幕后技术相结合——例如,智能负载平衡或一些网络安全系统。

其次,机器学习是AI的子集,也就是说ML虽然是AI,但AI不一定是ML。为了进一步混淆问题,ML也有自己的各种子学科,比如深度学习和强化学习。

ML和AI有什么区别?

人工智能有着悠久的历史——几千年来,人们一直在梦想和神话机器和其他可能“栩栩如生”的创造,与人类有着相同的行为和思维。曾经,由于早期计算机的“逻辑”性质,它们也被视为一种人工智能。

然而,人工智能的历史可以追溯到第二次世界大战中的英国计算机科学家和代码破解员艾伦图灵。他提出了一个测试,他称之为模仿游戏,但现在更常见的是图灵测试,一个人通过纯文本渠道与另外两个人交谈,其中一个是机器。如果查询者分不清机器和人的区别,则认为机器通过了测试。

这个基本概念被称为“通用AI”,通常被认为是研究人员尚未完全意识到的东西。

然而,“狭义”或“应用”人工智能在创建工作模型方面更为成功。该领域不是试图创造能够完成所有任务的机器,而是试图创造能够执行单个任务甚至比人类更好的系统。

早在20世纪中叶,机器学习的思想就出现在这个狭窄的AI学科中。ML的先驱亚瑟塞缪尔在1959年的一篇学术论文中首次定义了它,意思是“无需显式编程的学习能力”。换句话说,当狭窄的人工智能可能依赖人工算法时,用ML构建的系统可以创建自己的算法。

用途和应用。

机器学习

多年来,人们的兴趣一直在上升和下降。然而,随着数据成为业务战略中日益重要的一部分,并且组织寻求分析和利用从互联网上收集的大量信息的方法,数据逐渐受到青睐。几乎不变的基础。

将这些数据放入机器学习程序后,软件不仅会对其进行分析,还会通过每个新的数据集学习一些新的知识,从而成为越来越多的智能来源。这意味着可以从数据源中学习到的见解变得更加先进,信息更加丰富,从而帮助公司根据客户的期望发展业务。

机器学习的一个应用是在推荐引擎中,例如脸书的新闻提要算法或亚马逊的产品推荐功能。机器学习可以分析有多少人喜欢、评论或分享帖子,或者其他人购买有相同兴趣的东西。然后,它会向其他人显示该公司认为它喜欢的帖子。

机器学习对于图像识别也非常有用。意思是人类通过一个程序来识别图片的内容,然后用它来自动识别图片的内容。例如,机器学习可以识别图片中使用的像素分布,以确定对象是什么。

随着大数据分析的日益普及,企业现在开始转向机器学习来推动预测分析。与统计、数据挖掘和预测分析的联系已经变得足够主导,以至于有些人认为机器学习是一个独立于人工智能的领域。

原因是AI技术(如自然语言处理或自动推理)可以在没有机器学习能力的情况下完成。机器学习系统可能并不总是具有人工智能的其他功能。

人工智能

人工智能有数百个用例,随着公司采用人工智能来应对业务挑战,这些用例变得越来越明显。

人工智能最常见的用途之一是自动化——例如,在网络安全中,人工智能算法可以被编程来检测可能难以发现的威胁,例如用户行为的微妙变化或无法解释的增加。数据在特定的节点之间传输,例如计算机或传感器。在家里,Google Home或Alexa等助手可以通过聊天机器人帮助实现自动照明、加热以及与企业的互动。

有充分的理由担心,人工智能将以就业市场无法适应的速度取代人类的工作角色,例如数据输入。作家和风险投资家李开复曾在苹果和谷歌工作,并在卡耐基梅隆大学获得了开发高级语音识别人工智能的博士学位,他在2019年警告说:“许多工作似乎都在那里。

点复杂,厨师,服务员的很多事情将变得自动化。

“在15年内,我们将拥有自动化商店,自动化餐厅以及所有这些设施,这将取代全球约40%的工作。”

令人困惑的AI和ML

除了机器学习和AI之外,还有很多其他术语经常被混用-进一步使事情变得混乱。例如,人工神经网络被设计为以类似于人脑的方式处理信息,并且也可以用于机器学习-尽管同样,并非所有神经网络都是AI或ML,而且并非每个ML程序都使用底层的神经网络。

由于这是一个发展中的领域,术语一直在不断涌现和消失,并且AI不同领域之间的障碍仍然很容易渗透。随着技术的发展和成熟,这些定义也将变得更加具体和众所周知。谁知道呢,我们可能会开发通用的AI,而所有的定义都会消失。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时候联系我们修改或删除,多谢

最新文章