什么是人工智能 (AI)？

人工智能 (AI) 是一组技术，使计算机能够执行各种高级功能，包括查看、理解和翻译口语和书面语言、分析数据、提出建议等各种能力。

AI 是现代计算创新的支柱，可为个人和企业挖掘价值。例如，光学字符识别 (OCR) 使用 AI 从图片和文档中提取文本和数据，将非结构化内容转换为可供企业直接使用的结构化数据，并发掘有价值的数据洞见。 

人工智能的定义

人工智能是一个构建能够推理、学习和行动的计算机和机器的科学领域，这种推理、学习和行动通常需要人类智力，或者涉及超出人类分析能力的数据规模。

AI 是一个广博的领域，涵盖许多不同的学科，包括计算机科学、数据分析和统计、硬件和软件工程、语言学、神经学，甚至哲学和心理学。

在业务使用的操作层面上，AI 是一组主要基于机器学习和深度学习的技术，用于数据分析、预测、对象分类、自然语言处理、推荐、智能数据检索等等。

人工智能的类型

人工智能可以采用多种方式进行组织，具体取决于开发阶段或正在执行的操作。

例如，AI 开发通常分为四个阶段。

1. 反应式机器：有限的 AI，仅根据预编程规则对不同类型的刺激做出反应。不使用内存，因此无法通过新数据进行学习。1997 年击败国际象棋冠军加里·卡斯帕罗夫的 IBM 深蓝超级计算机就是反应式机器的一个例子。

2. 有限内存：大多数现代 AI 都被视为具有有限内存的 AI。它可以通过使用新数据（通常是通过人工神经网络或其他训练模型）进行训练，从而使用内存随着时间的推移而改进。深度学习是机器学习的一部分，被视为具有有限内存的人工智能。

3. 心智理论：心智理论 AI 目前不存在，但研究正在实现其可能性。它描述了可以模拟人类思维并具有与人类相同的决策能力的 AI，包括识别和记忆情感以及在社交场合中像人类一样做出反应。

4.  自我意识：自我意识 AI 比心智理论 AI 前进了一步，它描述了一种神秘的机器，这种机器知道自己的存在并具有人类的智力和情感能力。与心智理论 AI 一样，自我意识 AI 目前也不存在。

对人工智能类型进行广泛分类的一种更有用的方法是按照机器可以做什么来分类。我们目前所说的所有人工智能都被认为是“窄” (narrow) 人工智能，因为它只能根据其编程和训练来执行一组范围狭窄的操作。例如，用于对象分类的 AI 算法无法执行自然语言处理。Google 搜索是一种窄 AI，预测分析或虚拟助理也是窄 AI。

人工通用智能 (AGI) 是指机器可以像人类一样“感知、思考和行动”。AGI 目前不存在。下一个等级将是人工超级智能 (ASI)，即机器可以在所有方面发挥出优于人类的功能。

人工智能训练模型

企业在谈论 AI 时，通常会谈论“训练数据”。“训练数据”是什么意思呢？请记住，有限内存人工智能是利用新数据进行训练，进而随着时间的推移而改进的 AI。机器学习是人工智能的一个子集，它使用算法训练数据来获取结果。

概括地说，机器学习中经常使用三种学习模型：

监督式学习：一种使用带标签的训练数据（结构化数据）将特定输入映射到输出的机器学习模型。简单来说，要训练算法识别猫的图片，则向其提供标记为猫的图片。

非监督式学习：一种根据无标签数据（非结构化数据）学习模式的机器学习模型。与监督式学习不同，最终结果不会提前知道。相反，算法会从数据中学习，根据特性将其归类。例如，非监督式学习擅长模式匹配和描述性建模。

除了监督式和非监督式学习之外，人们通常还会采用一种名为“半监督式学习”的混合方法，其中只会对部分数据添加标签。在半监督式学习中，最终结果是已知的，但算法必须决定如何组织和构造数据以获得期望的结果。

强化学习：一种可以广义地描述为“边做边学”的机器学习模型。“代理”通过反复试验（反馈环）学习执行定义的任务，直到其性能处于理想范围内。当代理出色执行任务时，它会获得正强化；当代理表现不佳时，它会获得负强化。强化学习的一个例子是教机器人手捡球。

常见的人工神经网络类型

AI 中一种常见的训练模型是人工神经网络（一种松散地基于人脑的模型）。

神经网络是人工神经元系统（有时称为感知机），该系统是用于对数据进行分类和分析的计算节点。数据被输入神经网络的第一层，每个感知机都会做出决定，然后将该信息传递到下一层的多个节点。超过三层的训练模型称为“深度神经网络”或“深度学习”。某些现代神经网络有数百或数千层。最终感知机的输出完成神经网络的任务集，例如对对象进行分类或在数据中查找模式。

您可能会遇到的一些最常见的人工神经网络类型包括：

前馈神经网络 (FF)：一种最早的神经网络形式，其中数据单向流过人工神经元层，直到获得输出。在现代，大多数前馈神经网络都被视为具有多个层（以及多个“隐藏”层）的“深度前馈神经网络”。前馈神经网络通常与称为“反向传播算法”的纠错算法配对使用。简单说来，该算法从神经网络的结果开始，然后一直反向工作到开始，发现错误以提高神经网络的准确率。许多简单但强大的神经网络都是深度前馈神经网络。

循环神经网络 (RNN)：一种与前馈神经网络不同的神经网络，它们通常使用时序数据或涉及序列的数据。与在网络的每个节点中使用权重的前馈神经网络不同，循环神经网络对前一层发生的事情具有“记忆”，这取决于当前层的输出。例如，执行自然语言处理时，RNN 可以“记住”一个句子中使用的其他字词。RNN 通常用于语音识别、翻译和图片说明。

长/短期内存 (LSTM)：一种高级形式的 RNN，它可以使用内存来“记住”先前的层中发生的事情。RNN 和 LSTM 之间的区别在于，LSTM 可以通过使用“内存单元”来记住几层之前发生的事情。【译注：原英文中的 LTSM 可能是 LSTM 的笔误】LSTM 常用于语音识别和预测。

卷积神经网络 (CNN)：一种神经网络，其中包含现代人工智能中一些最常见的神经网络。CNN 最常用于图像识别，它使用几个不同的层（一个卷积层，然后是一个 pooling 层），这些层在将图像重新组合在一起（在全连接层中）之前过滤图像的不同部分。较早的卷积层可能会寻找图像的简单特征，例如颜色和边缘，然后在附加层中寻找更复杂的特征。

生成对抗网络 (GAN)：一种网络，涉及两个在游戏中相互竞争的神经网络，该游戏最终会提高输出的准确率。一个网络（生成器）创建另一个网络（判别器）尝试证明真假的样本。GAN 用于制作逼真的图片，甚至用于制作艺术品。

AI 的优势

自动化
AI 可以自动执行工作流和流程，也可以不依靠人工团队来独立自主地开展工作。例如，AI 可以通过持续监控和分析网络流量来帮助自动执行信息安全的各个方面。同样，智能工厂可能使用数十种不同类型的 AI，例如机器人使用计算机视觉在工厂车间移动或检查产品是否存在缺陷、创建数字孪生体，或使用实时分析来衡量效率和产量。

减少人为错误
AI 可以通过每次都遵循相同流程的自动化功能和算法来消除数据处理、分析、制造装配和其他任务中的人为错误。

消除重复任务
AI 可用于执行重复任务，从而让人力资源能够空出手来解决影响较大的问题。AI 可用于自动执行流程，例如验证文档、转录电话或回答“你们几点关门？”之类的简单客户问题。机器人通常用于代替人类执行“枯燥、肮脏或危险”的任务。

快速准确
与人类相比，AI 可以更快地处理更多信息，从而查找模式并发现人类可能错过的数据关系。

无限可用性
AI 不受时段、休息需求或其他人类负担的限制。在云端运行时，AI 和机器学习可以“始终开启”，从而持续处理分配的任务。

更快的研发速度
快速分析大量数据的能力可以加快获得研发突破的速度。例如，AI 已用于潜在新药物疗法的预测建模，或量化人类基因组。

人工智能的应用和使用场景

语音识别
自动将语音转换为文字。

图像识别
识别图片的各个方面并将其分类。

翻译
将书面或语音内容从一种语言翻译成另一种语言。

预测性建模
挖掘数据，以高粒度预测特定结果。

数据分析
针对商业智能寻找数据中的模式和关系。

网络安全
独立自主扫描网络以检测是否存在网络攻击和威胁。

什么是机器学习？

借助机器学习，企业能够使数据教会系统如何使用机器学习算法解决眼前的问题，以及如何随着时间的推移不断改进。

如今的企业都在面临着海量数据的“轰炸”。为了制定更好的业务决策，他们必须弄清数据的含义。但是，庞大的数据量以及数据复杂度导致使用传统工具难以分析数据。构建、测试、迭代和部署分析模型以识别数据中的模式和洞见会耗费员工大量时间。而在部署完毕后，还必须根据市场情况或数据本身的变化监控和持续调整模型。这正是机器学习的工作原理，因为它是解决方案。

机器学习的定义

机器学习是人工智能的一个组成部分，可让系统通过输入大量数据来使用神经网络和深度学习进行自主学习和改进，而不需要明确编程。

由于机器学习可让计算机系统通过累积更多“经验”来不断调整并增强自身功能，因此，输入的数据越多，结果就越准确。

事实上，机器学习应用可自动构建统计模型。Python 机器学习是一个很好的机器学习示例，它能够从数据中学习、识别模式，并且只需极少的人工干预即可制定决策。

机器学习使用场景

机器人流程自动化 (RPA)
RPA 与机器学习相结合，创建了智能自动化功能，能够自动化复杂的任务，例如处理抵押贷款申请。

销售优化
客户数据可以训练机器学习算法，以进行客户情感分析、销售预测分析和客户流失预测。

客户服务
机器学习应用包括聊天机器人和自动虚拟助手，以使日常客户服务任务自动化并加快问题解决速度。

安全
机器学习技术可帮助企业改进其威胁分析功能，以及对网络攻击、黑客和恶意软件的回应。

数字营销
机器学习使营销人员能够识别新客户，并在合适的时间向合适的人提供合适的营销材料。

欺诈防范
机器学习可帮助信用卡公司和银行查看大量交易数据，以实时识别可疑活动。

什么是自然语言处理？

自然语言处理 (NLP) 使用机器学习来剖析文本的结构和含义。借助自然语言处理应用，组织可以分析文本并提取关于人物、地点和事件的信息，以更好地理解社交媒体内容的情感和客户对话。

自然语言处理定义

作为人工智能技术的分支，NLP（自然语言处理）使用机器学习来处理和解释文本和数据。自然语言识别和自然语言生成是 NLP 的类型。

自然语言理解 (NLU) 是 NLP 的一个子主题，用于理解一段正文的真正含义。NLU 可以分类、归档和分析文本。NLP 则更进一步，支持根据具体意义做出决策。

自然语言处理的用途是什么？

自然语言处理应用用于从非结构化文本数据中发掘洞见，并让您能够访问所提取出的信息，以生成有关这些数据的新的理解。您可以使用 Python、TensorFlow 和 PyTorch 构建自然语言处理示例。

客户情感
借助实体分析功能，您可以查找和标记各种文档和频道中的字段，以便更好地了解客户意见，并发现产品和用户体验洞见。

理解收据和账单
提取实体来识别收据和帐单中的常见条目（例如日期或价格），以了解请求与付款之间的关系。

文档分析
利用自定义实体提取功能，您可以识别文档中特定领域的实体，而无需花费时间或资金执行手动分析。

内容分类
按常见实体、特定领域的自定义实体或诸如体育和娱乐之类的 700 多种常规类别对文档进行分类。

热榜
以文字形式聚合新闻，让营销人员能够从在线新闻、文章和其他数据源中提取与其品牌相关的内容。

医疗保健
改进临床归档、数据挖掘研究和自动注册报告，帮助加速临床试验。

什么是时序预测？

时序预测是一种统计或机器学习方法，它会尝试对历史时序数据建模，以预测未来的时间点。

时序预测的挑战

与其他类型的模型相比，时序预测具有独特的挑战，例如季节性、节假日效应、数据稀疏和趋势变化。由于时序的顺序本质和时间相关性，许多机器学习技术的效果并不理想。例如，k-fold 交叉验证可能会导致数据泄露；模型需要重新训练以生成新的预测。无法对时间维度进行随机化处理，使得在过拟合和欠拟合之间达到平衡变得很复杂。由于可能有数百万个项需要预测，因此还必须考虑任何预测解决方案的可伸缩性。除了预测，任务也可能对业务很重要，例如异常值检测、不确定性量化和因果推断。时序预测不仅仅是对带时间戳的数据的监督式学习。幸运的是，Google Cloud 提供了各种解决方案，可以满足每一种业务需求。

例如，大型零售商店可能要预测数百万件商品，以便在需求旺盛时保证库存，而在需求低迷时避免库存积压。

时序预测的用例

需求预测和容量规划

- 商品的零售需求预测，构建端到端的解决方案以预测零售商品的需求。

- 商品价格预测，时序模型用于预测对业务和生产流程至关重要的商品的价格，并为现金流模型和财务计划提供信息。

- 现金流预测，时序模型通常与回归和分类模型结合使用，根据历史账单时序以及来自交易数据和合同义务的输入生成高度准确的现金流预测。

- 供应链预测，驱动需求的可能因素有很多，对于配送中心来说，提前准备是满足消费者需求的关键。

异常值检测

- 使用需求预测进行异常值检测。在节假日、送礼季或年终促销时，有时会出现预料之中的高峰。但是，当出现意料之外的高峰（或低谷）时，该怎么办呢？例如，如何发现意料之外的异常高（或异常低）的需求？

- 制造质量控制和指标监控。从 IoT 传感器到生产输出，指标的监控可以有多种形式。然而，常见的元素是预测这些指标的典型范围，以便您可以提前进行规划并在部署了监控系统的情况下尽快做出响应。

异常值检测的其他常见用例包括因价格错误导致的价格异常、实时异常值检测和制造质量控制。

因果推断

- 广告效果，您的广告在提升业务量方面的效果如何？因果推断可以帮助您了解广告系列的统计显著性。

- 重大事件对时序的影响，您可能想知道重大事件（例如英国脱欧）对某个时序的影响是否具有统计显著性。因果推断分析的其他应用领域包括促销、激励效果和价格弹性估算。

单变量预测与多变量预测

进行单变量预测时，仅使用历史时序数据来预测未来数据。例如，如需预测纽约市明天的气温，单变量预测意味着仅使用历史气温这一个变量来预测未来气温。进行单变量预测时，您还可以发现季节性模式和趋势。

进行多变量预测时，使用多个因素来预测未来的数据。例如，如需预测纽约市明天的气温，除了使用历史气温之外，您还可以使用气压、紫外线指数、附近地理区域的云量百分比、风速和其他变量。