1. 程式人生 > >淺談機器學習與人工智慧的關係

淺談機器學習與人工智慧的關係

        大家都知道,現在AI特別火爆,研究人員也都想進入到這一領域,AI到底是什麼?AI就是將原材料進行加工成產品,大資料就是原材料,AI就是最終的產品。

        概括一句話就是:將海量資料通過機器學習進行處理然後形成一個模型,最終能適用於場景的過程就是AI。

        大家都知道,機器學習說起來簡單,但背後有很多的事情要做,比如:預處理、特徵抽取、資料建模、模型評估等等。在建模過程中,除了調優演算法之外還有很多重要的環節。機器學習最重要取決了特徵工程做得好不好了。

       人工智慧為什麼這麼火爆?相對於之前的商業智慧,AI更加精準。BI是人對大資料的規則進行發現,AI是機器對大資料的規則自動進行發現。如果規則太多,機器一定會超過專家的,這就是現在為什麼有些行業的機器學習能力部分超過一些專業人士,就不足為怪了。

        AI的功能強大建立在以下幾個約束條件:

      (1)業務場景。我們現階段的人工智慧不是強人工智慧,並不能像科幻電影裡一樣可以解決任何問題。能夠用機器學習解決問題的前提之一,就是把業務問題轉化為機器學習的建模問題。業務場景是特別重要。

      (2)海量資料。我們現在的機器學習都是基於統計來學習相關的規則。根據資料歷史,基於統計發現其中規律,然後再這些規律用於未來的資料預測。在歷史資料裡發現規則,需要海量的資料,這些海量資料應該特徵豐富、資料質量高、覆蓋率高。

      (3)人才。這涉及到做演算法人才、把演算法在工程中實現的人才、產品化的人才以及將AI和業務系統整合的人才,這些都是屬於AI的。

      (4)技術能力。包含了計算資源、儲存、網路以及業務系統地整合。AI如果不能跟企業業務系統整合在一起是沒有業務價值的。

      其實,針對不同的場景,這四個約束條件都有所不同。

      根據AI的人才可以分為:

      (1)AI Geek,從底層到計算框架的引入,還可以到演算法編寫,包括模型的調優,一個人可以做完,這種人非常稀缺。

      (2)AI研究者,自己會寫比較高階的演算法,但是對底層的計算框架,比如如何管理GPU怎麼管理不是很清楚,只知道把演算法寫好就可以了,底層交給工程人員,這屬於AI的研究者。

      (3)AI從業者,知道整個建模的流程;也能夠用一些開源的演算法做模型訓練,希望能夠有一個比較好的機器學習UI,不需要從框架上或者每一個互動都需要一個命令列來建模。 

      (4)AI的應用人員,希望直接拿到發揮作用的模型,不關心模型的原理,希望的是能夠從業務資料直接獲取一個模型來解決業務問題。