您的位置:首页 > 大数据 > 人工智能

浅谈机器学习与人工智能的关系

2018-09-29 22:21 549 查看

        大家都知道,现在AI特别火爆,研究人员也都想进入到这一领域,AI到底是什么?AI就是将原材料进行加工成产品,大数据就是原材料,AI就是最终的产品。

        概括一句话就是:将海量数据通过机器学习进行处理然后形成一个模型,最终能适用于场景的过程就是AI。

        大家都知道,机器学习说起来简单,但背后有很多的事情要做,比如:预处理、特征抽取、数据建模、模型评估等等。在建模过程中,除了调优算法之外还有很多重要的环节。机器学习最重要取决了特征工程做得好不好了。

       人工智能为什么这么火爆?相对于之前的商业智能,AI更加精准。BI是人对大数据的规则进行发现,AI是机器对大数据的规则自动进行发现。如果规则太多,机器一定会超过专家的,这就是现在为什么有些行业的机器学习能力部分超过一些专业人士,就不足为怪了。

        AI的功能强大建立在以下几个约束条件:

      (1)业务场景。我们现阶段的人工智能不是强人工智能,并不能像科幻电影里一样可以解决任何问题。能够用机器学习解决问题的前提之一,就是把业务问题转化为机器学习的建模问题。业务场景是特别重要。

      (2)海量数据。我们现在的机器学习都是基于统计来学习相关的规则。根据数据历史,基于统计发现其中规律,然后再这些规律用于未来的数据预测。在历史数据里发现规则,需要海量的数据,这些海量数据应该特征丰富、数据质量高、覆盖率高。

      (3)人才。这涉及到做算法人才、把算法在工程中实现的人才、产品化的人才以及将AI和业务系统集成的人才,这些都是属于AI的。

      (4)技术能力。包含了计算资源、存储、网络以及业务系统地集成。AI如果不能跟企业业务系统集成在一起是没有业务价值的。

      其实,针对不同的场景,这四个约束条件都有所不同。

      根据AI的人才可以分为:

      (1)AI Geek,从底层到计算框架的引入,还可以到算法编写,包括模型的调优,一个人可以做完,这种人非常稀缺。

      (2)AI研究者,自己会写比较高级的算法,但是对底层的计算框架,比如如何管理GPU怎么管理不是很清楚,只知道把算法写好就可以了,底层交给工程人员,这属于AI的研究者。

      (3)AI从业者,知道整个建模的流程;也能够用一些开源的算法做模型训练,希望能够有一个比较好的机器学习UI,不需要从框架上或者每一个交互都需要一个命令行来建模。 

      (4)AI的应用人员,希望直接拿到发挥作用的模型,不关心模型的原理,希望的是能够从业务数据直接获取一个模型来解决业务问题。

阅读更多
内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: