人工智能
机器学习 vs 人工智能：关键差异
很常听到“机器学习”和“人工智能”这两个词被误用。这种错误很容易发生，因为它们是两个相关但不同的概念。话虽如此，需要注意的是，机器学习（ML）是人工智能（AI）的子集。
为了更好地理解这两个概念，让我们首先定义每一个：
- 人工智能（AI）：AI 是任何旨在模拟人类思维和处理信息的软件或过程。AI 包括计算机视觉、自然语言处理（NLP）、自动驾驶汽车、机器人和最后，机器学习等广泛的技术和领域。AI 启用设备学习和识别信息以解决问题和提取见解。
- 机器学习（ML）：机器学习是 AI 的子集，它是一种涉及在没有人类干预的情况下教导设备从数据集中学习信息的技术。机器学习算法可以从数据中学习，随着时间的推移提高机器学习模型的准确性和效率。另一种看待它的方式是，机器学习是 AI 在执行 AI 函数时所经过的过程。
人工智能的关键方面
多年来，出现了许多关于人工智能的定义，这也是为什么它看起来有些复杂或令人困惑的原因。但是，简而言之，AI 是一个将计算机科学和强大的数据集结合起来以实现有效问题解决的领域。
如今，人工智能领域包括机器学习和深度学习等子领域，这些领域涉及基于输入数据的预测或分类的 AI 算法。
AI 有时被分为不同类型，例如弱 AI 或强 AI。弱 AI，也被称为狭义 AI 或人工狭义智能（ANI），是指被训练来执行特定任务的 AI。它是我们日常生活中最明显的 AI 形式，实现了 Apple 的 Siri 和自动驾驶汽车等应用。
强 AI 由通用人工智能（AGI）和超级智能（ASI）组成。AGI 目前仍然是理论性的，它指的是机器具有与人类相当的智能。AGI 将是自我意识的，并能够解决复杂问题，学习和规划未来。进一步来说，ASI 将超过人类的智能和能力。
了解 AI 的一种方法是查看其各种应用，包括：
- 语音识别：AI 是许多语音识别技术的关键。也称为计算机语音识别或语音转文本，它依赖于 NLP 将人类语音转换为书面格式。
- 计算机视觉：AI 启用计算机从数字图像、视频和其他视觉输入中提取信息。计算机视觉用于照片标记、医疗成像、自动驾驶汽车等。
- 客户服务：AI 为客户服务行业的聊天机器人提供动力，改变了企业与客户之间的关系。
- 欺诈检测：金融机构使用 AI 来发现可疑交易。
机器学习的关键方面
机器学习算法依赖于结构化数据来进行预测。结构化数据是标记、组织和具有特定特征的数据。机器学习通常需要这些数据被预处理和组织，否则它将被深度学习算法所取代，这是 AI 的另一个子领域。
当我们查看机器学习的更广泛概念时，很快就变得明显，它是企业所有规模的宝贵工具。这在很大程度上是由于组织可用的大量数据。机器学习模型处理数据并识别模式，以提高各级业务决策，并且这些模型会自行更新并提高分析准确性。
机器学习包括几种不同的技术，每种都有不同的工作方式：
- 监督学习：标记数据“监督”算法并训练它们对数据进行分类和预测结果。
- 无监督学习：一种使用无标记数据的机器学习技术。无监督学习模型可以分析数据并在无需人工干预的情况下发现模式。
- 强化学习：这种技术训练模型进行一系列决策，并基于奖励/惩罚系统。
AI/ML 技能的差异
现在我们已经区分了人工智能和机器学习的两个概念，你可能已经猜到，每一个都需要不同的技能集。对于想要参与 AI 或 ML 的个人来说，认识到每一个所需的技能至关重要。
当谈到 AI 时，技能集往往更理论而不是技术，而机器学习需要高度的技术专长。话虽如此，两者之间存在一些重叠。
让我们先来看看 AI 所需的顶级技能：
- 数据科学：数据科学是一个涉及使用数据来推导洞察力的多学科领域，数据科学技能对于 AI 至关重要。它们可以包括从编程到数学的一切，并帮助数据科学家使用诸如统计建模和数据可视化等技术。
- 机器人：AI 为机器人提供了计算机视觉，以帮助它们导航和感知环境。
- 伦理：任何参与 AI 的人都必须对此类技术的所有伦理影响有深刻的理解。伦理是部署 AI 系统的主要关注点之一。
- 领域知识：通过拥有领域知识，你将更好地理解行业。它还将帮助你开发创新技术来解决特定的挑战和风险，更好地支持你的业务。
- 机器学习：要真正理解 AI 并以最佳方式应用它，你应该对机器学习有扎实的理解。虽然你可能不需要知道机器学习开发的每一个技术方面，但你应该知道它的基本方面。
当我们查看机器学习时，技能变得更加技术化。话虽如此，任何想要参与 AI 或 ML 的人都应该尽可能多地学习这些技能：
- 编程：每个机器学习专业人员都必须精通 Java、R、Python、C++ 和 Javascript 等编程语言。
- 数学：ML 专业人员广泛使用算法和应用数学，这就是为什么他们应该具有强大的分析和问题解决能力，以及数学知识。
- 神经网络架构：神经网络是深度学习的基础，而深度学习是机器学习的一个子集。ML 专家对这些神经网络及其在各个行业的应用有深刻的理解。
- 大数据：机器学习的一个重要部分是大数据，其中这些模型分析大量数据以识别模式并进行预测。大数据指的是高效地提取、管理和分析大量数据。
- 分布式计算：分布式计算是计算机科学的一个分支，它也是机器学习的一个重要部分。它指的是分布式系统，其组件位于不同的网络计算机上，这些组件通过交换通信来协调其操作。
这些只是任何想要参与 AI 或 ML 领域的人应该掌握的 AI 和 ML 技能。话虽如此，任何企业领导者都将从学习这些技能中受益，因为这将帮助他们更好地理解自己的 AI 项目。任何 AI 项目成功的主要关键之一是具有胜任的领导团队，他们了解正在发生的事情。
