没有机器学习就没有人工智能

Fanly 新闻 2019-05-30 23:15:14 阅读(...)

机器学习（ML，Machine Learning）技术有可能为企业带来巨大价值。它已经在市场上得到证明，并为几乎所有行业提供越来越多的工具。为了讨论 ML 的当前能力，我们必须首先研究它与人工智能（AI）的关系。然后，我们可以探索 ML 软件今天的位置，它的真实应用程序，以及它如何改变业务。

机器学习 Machine Learning

AI 和 ML 的趋势

AI 和 ML 是当今科技领域最热门的话题。去年，Gartner 预测 AI 基金会和智能应用程序和分析将成为 2018 年十大战略趋势之一。同样，IEEE 计算机学会的专家预测，ML，特别是深度学习（DL），将成为 2019 年十大技术趋势之一。

销售由 ML 算法驱动的产品的主要 IT 领导者已经满足了这些预测。这些解决方案包括虚拟个人助理和聊天机器人，如 Siri，Cortana 和 Alexa，医疗诊断和自动驾驶汽车。随着这项技术的能力不断提高，重要的是要考虑其潜力以及我们在其发展的哪个阶段。

人工智能炒作

几十年来，为机器添加人类智能的概念让科技爱好者兴奋不已。然而，这种强大的科学可能会严重改变历史进程，这就是为什么许多人担心先进的人工智能会完全拼写人类的终结。这种对未来的严峻愿景源于一种称为“情报爆炸”的概念，它假设一旦人工智能创造了人工智能，它就能不断改进，直到它超越人类智能（超级智能）。作为英国数学家和密码学家，IJ Good 写道，“第一台超智能机器是人类需要制造的最后一项发明。”即使是埃隆马斯克声称“人工智能是人类文明存在的根本风险”，而已故斯蒂芬霍金声明他“担心 AI 可能完全取代人类。”

许多人对人工智能的未来表示担忧，并且不乏流行文化参考人造机器流氓 – 来自 2001 年的 The Matrix，Ex machina 和 HAL9000：A Space Odyssey。这些案例说明了被称为“人工一般情报（AGI）或”强人工智能“的过程的第一阶段，其中 AI 学习形成和操纵抽象概念，而不受单一专业领域的限制。很难相信我们一旦能够控制 AGI 就能控制它，但是今天的人工智能在人工智能设计中变得比人类更接近？我们真的有风险吗？

AI 今天

系统的智能化程度存在计算限制，强大的 AI 仍然只是开发人员的幻想。今天人工智能的能力远远不是科幻幻想中的能力，而且几乎都依赖于 ML 技术来实现它们。尽管人工智能可以产生惊人的效果，但它仍然非常有限。例如，以击败世界上最好的人类 Go 玩家而闻名的 AlphaGo 系统甚至无法管理简单的 Tic-Tac-Toe 游戏。最好将注意力放在全球各行业的技术创造上。

没有 ML 就没有 AI

人工智能之路铺设了革命性的技术，包括 ML。虽然这些概念是相关的，但它们并不完全相同。AI 指的是使机器能够做出明智决策的广泛功能，而 ML 只是一种实现它的技术。尽管许多组织都对使用 AI 感兴趣，但 ML 目前被定位为最大化业务成果的主要方式。ML 在后台运行，使计算机系统能够执行某些任务而无需明确编程。它使用神经网络使代码更高效，适应新数据而无需重写。ML 的实际应用的典型例子是垃圾邮件检测; 通过提供足够的垃圾邮件示例，系统可以“学习”识别不需要的电子邮件。有了 ML，没有必要向系统解释垃圾邮件是什么。与 AI 相比，ML 目前存在更多业务问题。

ML 用于数据安全

想象一下鲍勃打算离开他的公司。在离开之前，他下载了数百个新的项目文件，包括敏感的财务文件。IT 部门采取行动，调查未来预防类似事件的方法。他们考虑设置员工可以下载的文件总数限制，甚至可以查看特定于文件类型的手工制作系统规则。但是，限制全面下载不仅会损害用户的工作效率，还会对高容量日产生负面影响。正确的解决方案必须识别，调整和响应个人用户行为，这需要一定程度的 ML。这只是 ML 的一个场景，它可以在不影响整体输出的情况下提供业务安全性。除自适应数据保护外，该技术还有许多实际应用，

ML 增强了 UI

术语“界面”通常指的是计算机屏幕和图形，但 ML 正在帮助改变它。ML 已成为会话界面开发不可或缺的一部分，可改善人机交互和产品可用性。随着聊天机器人，消息应用程序和虚拟助理/智能扬声器（亚马逊 Alexa，谷歌主页）的出现，消费者可以在不使用复杂图形界面的情况下与产品/服务进行交互 – 这种方式本身就很舒适。会话界面使用简单的口语在人与计算机之间建立直接对话。它们变得越来越复杂，并且可以通过语言处理算法适应每个用户。ML 是这些面向客户的技术背后的推动力，并有助于推动企业用例的发展。

ML 驱动性能优化

ML 可以为许多应用程序提供性能优化，并广泛用于改进整个系统的工作方式。这些系统可以相对简单，就像使用 ML 来优化功耗的 Android 手机一样。其他系统可能庞大而复杂，例如使用动态定价来优化 Uber 和 Lyft 等公司的乘坐车辆的地理分布。

ML 识别内部威胁

记得鲍勃？在工作的最后几天，鲍勃偷走了大量的公司数据。识别异常数量的用户下载是一项功能，虽然不是直接面向用户，但需要 ML 算法来提供可管理的警报数量，以及检测可疑活动。我们在 Egnyte Protect 中实现了此功能，使用基于 ML 的技术预测每个用户的“正常”下载次数。如果用户下载了异常大量的文件，Egnyte Protect 会检测到此行为并发送相应的警报。

ML 就在这里

虽然 AI 和 ML 在技术方面正在发展，但我们还远未体验过流行文化中所代表的那种人工智能。与 AI 幻想不同，ML 已经渗透到现实世界应用程序的多样化领域，并因拥有如此众多的行业用例而受到更多关注。如今，ML 为各种业务流程提供支持，例如改善面向客户的 UI，优化系统性能和简化数据安全性。对于每个复杂的系统，ML 都有可能改善其性能，并重新定义它所解决的问题，使其成为编程中最受追捧的技术。