AI/ML(人工智能(AI)和机器学习(ML)的缩写)代表了计算机科学和数据处理领域的一次重要变革,正在迅速改变各行各业。
随着企业和其他机构经历数字化转型,它们面临着越来越多的数据海啸,这些数据不仅具有极高的价值,也会带来越来越重的收集、处理和分析负担。需要新的工具和方法来管理所收集的大量数据,从中挖掘以获得见解,并在发现这些见解后采取行动。
这就是人工智能和机器学习的用武之地。
什么是人工智能?
人工智能(AI)通常是指能够模拟人类智能的流程和算法,包括模仿认知功能,如感知、学习和问题解决。机器学习和深度学习(DL)是 AI 的子集。
AI 的具体实际应用包括现代 Web 搜索引擎、理解口语的个人助理程序、自动驾驶汽车和推荐引擎,如 Spotify 和 Netflix 所使用的引擎。
人工智能有四个层次或类型,我们已经实现了其中两个,另外两个目前仍停留在理论阶段。
四种类型的 AI
这四种人工智能按照从最简单到最高级的顺序依次为反应机器、有限记忆、心智理论和自我意识。
反应机器能够根据某种形式的输入执行基本操作。这个层次的 AI 不会“学习”,即系统被训练来执行特定的任务或任务集,并且永不偏离。这些是纯粹的反应机器,不存储输入,具有在特定上下文之外运行的任何能力,或者具有随时间演变的能力。
反应机器的示例包括大多数推荐引擎、IBM 的 Deep Blue 国际象棋 AI 和 Google 的 AlphaGo AI(可以说是世界上最好的围棋选手)。
有限记忆 AI 系统能够存储传入的数据以及与系统做出的任何行动或决策相关的数据,然后分析存储的数据,以便随着时间的推移不断改进。这才是“机器学习”真正的起点,因为只需要有限记忆来进行学习。
由于有限记忆的 AI 能够随着时间的推移而改进,因此这是我们迄今为止开发的最先进的 AI。例如,自动驾驶汽车、虚拟语音助理和聊天机器人。
心智理论是我们尚未实现的两种更先进且(目前)理论上的 AI 类型中的第一种。在这个层次上,AI 将开始理解人类的想法和情感,并开始以有意义的方式与我们互动。在这里,人类和 AI 之间的关系变得互惠互利,而不是现在人类与各种不太先进的 AI 之间简单的单向关系。
“心智理论”术语来自心理学,在这种情况下,指的是 AI 理解人类有思想和情感,而这些思想和情感反过来会影响 AI 的行为。
自我意识是许多 AI 开发人员的最终目标,因为这个层次的 AI 具有人类级别的意识,能够意识到自己是世界上与人类有着相似欲望和情感的生物。到目前为止,具有自我意识的 AI 还只是科幻小说中的虚构内容。
什么是机器学习?
机器学习(ML)是 AI 的一个子集,属于“有限记忆”类别,AI(机器)能够随着时间的推移进行学习和开发。
机器学习算法有很多种,主要分为三种,监督学习、无监督学习和强化学习。
机器学习算法的三种类型
与不同类型的 AI 一样,这些不同类型的机器学习涵盖了一系列复杂性。虽然还有其他几种类型的机器学习算法,但大多数都是这三种算法的结合,或基于这三种算法。
监督学习是其中最简单的一种,字面意思,AI 在整个学习过程中受到积极监督。研究人员或数据科学家将向机器提供大量数据以供处理和学习,以及这些数据应产生的示例结果(更正式地称为输入和期望输出)。
监督学习的结果是代理能够根据新的输入数据预测结果。机器可以通过存储和不断重新分析这些预测来继续改进其学习,随着时间的推移提高其准确性。
监督机器学习应用包括图像识别、媒体推荐系统、预测性分析和垃圾邮件检测。
无监督学习在学习过程中不涉及任何人工帮助。代理会获得大量数据进行分析,并且独立识别这些数据中的模式。这种类型的分析可能会非常有用,因为机器可以比人类识别任何给定数据集中的更多不同模式。与监督机器学习一样,无监督 ML 也会随着时间的推移而不断学习和改进。
无监督机器学习应用包括确定营销数据、医学成像和异常检测中的客户群。
强化学习是这三种算法中最复杂的,因为没有提供数据集来训练机器。相反,代理通过与所处环境交互来学习。它会根据所采取的行动获得正面或负面的奖励,并通过细化其反应来随时间改进,以最大化正面奖励。
强化学习的一些应用包括自我改进的工业机器人、自动股票交易、高级推荐引擎,以及为最大限度地增加广告支出而进行的出价优化。
什么是深度学习?
深度学习(DL)是机器学习的一个子集,它试图模拟人类神经网络,无需预处理数据。深度学习算法能够摄取、处理和分析大量非结构化数据,以便在没有任何人工干预的情况下学习。
与其他类型的机器学习一样,深度学习算法可以随着时间的推移而不断改进。
深度学习的一些实际应用目前包括开发计算机视觉、面部识别和自然语言处理。
AI、机器学习与深度学习
所以深度学习是机器学习的一个子集,而机器学习又是人工智能的一个子集。那它们之间的实际异同点是什么?
说明它们之间关系的一种常见方式是用一组同心圆来表示,外侧是 AI,中间是 DL。
![Figure 1. Figure 1.](/rhdc/managed-files/styles/wysiwyg_full_width/private/image1_114.png?itok=6o9ACSDF)
如上所述,有四种类型的 AI,其中两种目前还停留在纯理论层面。因此,人工智能是一个更大的总体概念,即创造模拟人类智能和思维的机器。创造自我感知型人工智能的最终目标远远超出了我们目前的能力,因此人工智能的许多组成部分目前还不现实。
另一方面,机器学习是目前可行的 AI 实际应用,属于“有限记忆”类型。
总的来说,机器学习仍然相对简单,大多数 ML 算法只有一个或两个“层”(如输入层和输出层),中间几乎没有处理层(如果有)。机器学习模型能够随着时间的推移而改进,但通常需要一些人工指导和再培训。
相比之下,深度学习有多个层,深度学习正是因为这些额外的“隐藏”处理层而得名。深度学习算法本质上是自我培训的,能够分析自己的预测和结果,随时间推移评估和调整其准确性。深度学习算法能够进行独立学习。
DL 能够通过分层算法来做到这一点,这些算法共同组成了所谓的人工神经网络。这些产品的灵感来自人脑的神经网络,但显然远没有达到那样的复杂程度。也就是说,它们比简单的 ML 模型先进得多,也是我们目前能够构建的最先进的 AI 系统。
为什么 AI/ML 很重要?
随着全球范围内生成和存储的数据量呈指数级增长,数据是一项日益重要的业务资产,这已不是什么秘密。当然,如果不做任何处理,收集数据就毫无意义,但如果没有自动化系统的帮助,这些海量的数据将根本无法管理。
人工智能、机器学习和深度学习使企业能够从收集的数据中提取价值、提供业务洞察能力、自动执行任务并提升系统功能。AI/ML 有可能帮助企业在各个方面实现可衡量的成果,包括:
-
提高客户满意度
-
提供差异化数字服务
-
优化现有业务服务
-
自动化业务运维
-
增加收入
-
降低成本
AI/ML 示例和用例
当然,这一切听上去都很棒,但毕竟是抽象的、需要手动操作。我们来看一下 AI/ML 用于当今行业转型的一些实际用例和示例。
医疗卫生
AI/ML 正用于医疗卫生应用,以提高临床效率、诊断速度和准确性,并改善患者治疗效果。
HCA Healthcare 凭借利用机器学习开发实时预测性分析产品——SPOT(脓毒症预测和治疗优化)来更加准确、快速地检测出可能危及生命的脓毒症,从而获得红帽创新奖。
电信
在电信行业中,机器学习越来越多地用于洞察客户行为、增强客户体验以及优化 5G 网络性能等。
事实上,根据我们 2021 年初发布的企业开源现状报告,66% 的电信企业预计在未来两年内将企业开源用于 AI/ML,而这一比例目前仅为 37%。
保险
在保险行业,AI/ML 被用于各种应用,包括自动化索赔处理,以及提供基于使用的保险服务。
大多数保险公司认为,核心系统的现代化是在广阔市场中实现差异化服务的关键,而机器学习则是这些现代化努力的一部分。
金融服务
金融服务行业也在使用 AI/ML 来实现现代化并改进产品,包括个性化客户服务、改进风险分析,以及更好地发现欺诈和洗钱行为。
随着金融机构必须处理的数据量持续增长,机器学习的功能有望增强欺诈检测模型的可靠性,并帮助优化银行服务处理。
汽车
过去几年里,随着电动和自动驾驶汽车、预测性维护模式的出现,以及整个行业的一系列其他颠覆性趋势的出现,汽车行业发生了巨大的变化和波动。
当然,AI/ML 也是这一转型的重要组成部分。例如,它是 BMW 集团自动驾驶计划的关键部分。
能源
世界各地的能源供应商也正处于行业转型之中,能源生产、存储、输送和使用的新方式正在改变竞争格局。此外,全球气候问题、市场驱动因素和技术进步也极大地改变了这一格局。
能源行业已经在使用 AI/ML 开发智能发电厂、优化能耗和成本、开发预测性维护模型、优化现场运维和安全性,并改善能源交易。
在企业中开始使用 AI/ML
很明显,AI/ML 是一项强大的变革性技术,可以在任何行业中提供巨大价值,但入门似乎让人无所适从。
好消息是,您可以从小处着手。您可以在不进行大量前期投资的情况下在企业中采用 AI/ML,以便您可以亲身体验并开始了解 AI/ML 如何以及在哪些方面使您的企业在更细微、更易于管理的部分中受益。
如果您想了解更多,我们已经编写了一份包含 13 点的路线图,内容涉及如何开始您的 AI/ML 之旅。
了解更多
关于作者
Deb Richardson joined Red Hat in 2021 and is a Senior Content Strategist, primarily working on the Red Hat Blog.
更多此类内容
产品
工具
试用购买与出售
沟通
关于红帽
我们是世界领先的企业开源解决方案供应商,提供包括 Linux、云、容器和 Kubernetes。我们致力于提供经过安全强化的解决方案,从核心数据中心到网络边缘,让企业能够更轻松地跨平台和环境运营。