人工智能速查表：人工智能初学者指南

人工智能有多种形式，从通过聊天响应客户的简单工具到预测整个组织轨迹的复杂机器学习算法。 尽管多年来人们对人工智能的承诺过高，但人工智能并不意味着像人类一样有感知能力的机器。 相反，人工智能涵盖了更集中的大规模模式匹配，以补充人类推理。

为了帮助企业领导者了解什么是人工智能功能、如何使用人工智能以及从哪里开始人工智能之旅，必须首先消除围绕人工智能技术巨大飞跃的神话。

什么是人工智能？

人工智能在很大程度上是一种模式识别和预测计算机系统，其运行规模远远超出人类，但从未完全取代人类。 即使在最好的情况下，人工智能也能提供可接受的（尽管并不完美）结果，让人们介入，观察数据并从中推理。

请注意，虽然我们在整个备忘单中都使用人工智能，但大多数企业都使用人工智能的一个子集，称为机器学习或深度学习。 这个词在商业中的当代用法可能意味着生成式人工智能，即经过训练的模型重新混合现有内容，以新的方式形成图像或句子。 我们将在这里使用 AI 作为包括机器学习和深度学习的简写，并在适当的时候指定生成式 AI。

事实是，当前的人工智能技术是有限的，但它仍然非常强大。 无论其过程在实践中看起来多么复杂，人工智能驱动的应用程序的核心是识别模式并根据这些模式进行推理的简单能力。

人工智能并不是真正的智能，它通常与我们选择输入机器学习模型的数据一样存在偏见。 这并不意味着人工智能对于试图解决现实世界问题的企业和消费者没有用处——这意味着我们离能够在不首先获得正确数据的情况下真正做出独立决策或得出结论的机器还相去甚远。 人工智能确实倾向于确认我们的偏见，而不是消除它们。

人工智能是如何工作的？

人工智能是一个复杂的系统，旨在模拟人类行为和智力。 它将大量数据与算法（有时以神经元为模型）相结合，以分析、理解并做出有关未来状态的决策或预测。 为了做出准确的预测，人工智能系统需要大量数据进行学习； 这些数据是从各种来源收集的，并以适合人工智能算法的格式进行处理、分析和组织。

人工智能算法是人工智能系统的核心，旨在分析和解释数据、识别模式并根据输入做出预测或决策。 通过不断收集新数据并重新训练模型，人工智能系统可以适应不断变化的条件并提高其性能。

人工智能工作的核心流程涉及以下子领域：

• 机器学习： 人工智能的一个分支，专注于算法和统计模型的开发，使计算机系统无需明确编程即可从数据中学习和改进。
• 深度学习： 机器学习的一个子领域，模仿人脑神经网络的工作原理，使用多层人工神经网络来学习和理解数据中的复杂模式和特征。
• 神经网络： 一种受人脑结构和功能启发的计算模型，可以处理和分析大量数据以识别模式、做出预测或对信息进行分类。
• 自然语言处理： 人工智能的一个分支，专注于计算机和人类语言之间的交互，使机器能够理解、解释和生成人类语言。
• 计算机视觉： 人工智能的一个分支，使机器能够解释和理解图像或视频中的视觉信息。
• 认知计算： 该模型旨在创建能够模拟类人智能并以更自然、直观的方式与人类交互的人工智能系统。
• 生成式人工智能： 生成式人工智能结合了该列表中的其他子领域，包括机器学习、深度学习、自然语言处理和认知计算机，可创建对话或视频等重新混合的内容。

生成式人工智能

生成式人工智能系统能够创建图像、视频、音乐或文本等内容，这些内容与人类生成的内容几乎没有区别。 他们可以根据学到的模式和风格自主生成新的输出。

生成对抗网络是生成人工智能的一个例子，其中一个网络生成内容，另一个网络评估并提供反馈以提高生成输出的质量。

生成式人工智能的流行示例包括：

• OpenAI 的 ChatGPT： 生成式预训练 Transformer 是 OpenAI 开发的一种语言模型，用于根据给定的提示生成类似人类的文本。 最新模型 GPT-4 在 Microsoft Azure AI 超级计算机上进行了训练，并可在 ChatGPT Plus 上使用。
• 微软副驾驶： 在 GPT-4 上训练的生成式 AI 助手。
• Google Gemini: 在 Google LaMDA 模型上运行的聊天机器人和生产力助手，已实验性地集成到 Google 搜索中。
• Stable Diffusion：Stability AI 的一个模型，可根据文本提示生成图像。

人工智能能做什么？

人工智能本质上是大规模的模式匹配。 凭借其模式识别功能，现代人工智能可以执行图像识别、理解人类的自然语言和书写模式、在不同类型的数据之间建立联系、识别模式中的异常、制定策略、预测等。

虽然人类无法像机器那样轻松地梳理大量数据来发现模式，但当机器遇到人类很容易发现但与训练数据相矛盾的异常值时，机器就会陷入困境。 因此，最好的人工智能应用程序是高度集中的，并将人类推理与机器学习的强力结合起来。

下载：TechRepublic Premium 提供的人工智能道德政策

自 2020 年 COVID-19 大流行爆发以来，AI 和 ML 经历了快速发展 巨大的市场增长。 全球大流行也改变了人工智能的优先事项和应用：大流行后的人工智能项目不再仅仅关注财务分析和消费者洞察，而是趋向于客户体验和成本优化。

人工智能机器人可以执行许多基本的客户服务任务，使员工能够只处理需要人工干预的案例。 自疫情爆发以来，这样的人工智能尤其普遍，当时被迫离开呼叫中心的员工给客户服务带来了压力。

此后，2022 年 11 月 ChatGPT 的发布，普及了生成式 AI。

AI的商业应用有哪些？

在商业世界中，有大量的人工智能应用程序，但也许没有一个应用程序像商业和预测分析及其最终目标：规范性分析那样受到关注。

业务分析是一组复杂的流程，旨在对企业的当前状态进行建模，预测如果保持当前的轨迹，企业将走向何方，并根据给定的一组变化对潜在的未来进行建模。 使用过去的既定模型来预测未来可能很容易，但如果没有人工智能的帮助，规范性分析（旨在通过调整组织当前的路线来找到最佳可能结果）可能是完全不可能的。

其他人工智能企业用例包括：

• 招聘及就业： 人工智能可以比人类更快地筛选大量候选人，并注意到可能被忽视的合格人员，从而简化招聘流程。
• 欺诈识别： 人工智能非常擅长识别细微的差异和不规则行为，例如人类可能错过的金融欺诈的微妙指标。
• 网络安全： 人工智能非常擅长检测黑客攻击和其他网络安全问题的迹象。
• 数据管理： 使用人工智能，您可以对原始数据进行分类并找到以前未知的项目之间的关系。
• 客户关系： 由于自然语言处理，现代人工智能驱动的聊天机器人非常擅长进行对话，使它们成为出色的客户服务第一线。
• 卫生保健： 一些人工智能应用程序不仅能够在医生之前检测出癌症和其他健康问题，还可以根据长期记录和趋势提供有关患者护理的反馈。
• 预测市场趋势： 就像商业分析领域的规范性分析一样，人工智能系统可以经过训练来预测更大市场的趋势，这可以使企业在新兴趋势上取得领先。
• 减少能源使用： 人工智能可以简化建筑物乃至整个城市的能源使用，并为建筑规划、石油和天然气钻探以及其他以能源为中心的项目做出更好的预测。
• 营销： 人工智能系统可以通过训练来增加针对个人和更大市场的营销价值，帮助组织节省资金并获得更好的营销结果。

有哪些人工智能平台可用？

在采用人工智能策略时，了解哪些软件可用于以业务为中心的人工智能非常重要。 谷歌、AWS、微软和 IBM 等常见的云计算平台提供了多种平台，选择正确的平台可能意味着成功与失败。

AWS 机器学习

AWS 机器学习 提供在 AWS 云中运行的各种服务。 AI 服务、预构建框架、分析工具等一应俱全，其中许多旨在消除入门时的跑腿工作，而 SageMaker for Business Analysts 等其他工具则旨在使企业无需编写代码即可获得 AI 洞察力。 AWS 为开发人员提供预构建的 AI 算法、一键式 ML 训练和培训工具，帮助他们开始或扩展 AI 开发知识。

谷歌云

谷歌云 提供与 AWS 类似的 AI 解决方案，并且拥有多个预构建的整体 AI 解决方案，组织可以轻松地将这些解决方案插入到其组织中。 谷歌还通过创新人工智能的一些行业标准（例如开源机器学习库 TensorFlow）而脱颖而出。

微软人工智能

微软的人工智能平台 配备预生成的服务、可立即部署的云计算基础设施以及可插入现有模型的各种附加人工智能工具。 其人工智能实验室还提供了广泛的人工智能应用程序，开发人员可以修改这些应用程序并学习其他人的成果。 微软还提供了一所人工智能学校，专门针对商业应用程序提供教育课程。

开放人工智能

开发人员可以选择 OpenAI（热门聊天机器人 ChatGPT 的制造商）提供的各种文本和图像生成 AI 模型。 截至 2023 年 11 月，OpenAI 提供 微调、定制模型 基于 GPT-4。 这些自定义模型适合拥有大型专有数据集的组织，并且可以通过 API 进行访问。 2024年4月，OpenAI 添加 一个用于比较不同模型的质量和性能以及其他生活质量和集成更新的游乐场。

IBM沃森克斯

IBM 的 Watson 是问答人工智能的早期例子，并且作为商业软件已经在多个方向发展。 现在，IBM 主要倾向于 watsonx，这是一个云托管的生成式 AI 和数据分析平台。 IBM 为不想依赖云托管的企业提供专为 AI 任务定制的现场服务器。

企业需要投资哪些人工智能技能？

也许使用人工智能所需的最关键技能是知道何时完全跳过人工智能。 人工智能的现实是，许多问题可以通过应用简单的回归分析或 if/then 语句来解决。 换句话说，大多数人工智能根本不是人工智能：它只是基本的数学和常识。

对于更复杂的、面向人工智能的任务，相关的数据科学分为两类：供人类消费的数据科学和供机器消费的数据科学。

SEE：了解成为机器学习工程师需要了解的知识。

在后一种情况下，人工智能涉及复杂的数字模型，将机器学习模型和人工智能算法应用于大量数据。 然后，这些系统自动运行以生成特定的广告或客户体验或进行实时股票交易。 因此，面向机器的人工智能专业需要“异常强大的数学、统计和计算流畅性来构建能够快速做出良好预测的模型”， 前谷歌和 Foursquare 数据科学家 Michael Li 指出。

相比之下，更加以人为本的数据科学和人工智能所需的技能偏向于讲故事。 鉴于没有数据是公正的，人类智能的作用是帮助数据讲述清晰的故事。 这些人工智能讲故事者使用数据可视化来促进对数据的探索和洞察。

对于人工智能领域的许多人来说，他们要做的最复杂的数学就是功效分析和显着性测试。 他们可能会编写 SQL 查询来获取数据，对数据进行基本数学运算，绘制结果图，然后解释结果。 不是数据科学奇才，但用数据科学术语来说，它对于将复杂数据分解为可操作的见解非常有帮助。

考虑到所有这些，人工智能项目所需的技能确实会根据业务需求和所使用的平台而有所不同，尽管大多数最大的平台都支持大多数（如果不是全部）最常用的人工智能编程语言和技能需要。

许多商业人工智能平台提供有关运行其架构的细节以及开发更多人工智能工具所需的编程语言的培训课程。 认真对待人工智能的企业应该计划雇用新员工，或者为现有员工提供必要的时间和资源来培训人工智能项目成功所需的技能。

企业如何开始使用人工智能？

商业人工智能的入门并不像简单地花钱购买人工智能平台提供商并构建一些预构建的模型和算法那么容易。 成功地将人工智能添加到组织中需要付出很多努力。

这一切的核心是良好的项目规划。 将人工智能添加到企业中，无论如何使用，就像任何业务转型计划一样。 以下概述了商业人工智能入门的一种方法。

确定您的 AI 目标

首先，弄清楚如何在您的组织中使用人工智能以及达到什么目的。 通过专注于具有特定目标的较小范围的实施，您可以更好地分配资源。

确定到达目标需要做什么

一旦您知道自己想去哪里，您就可以弄清楚自己在哪里以及如何进行旅程。 这可能包括开始对现有数据进行排序、收集新数据、招聘人才和其他初步步骤。

建立团队

有了最终目标并制定了实现目标的计划，是时候组建最好的团队来实现这一目标了。 这可以包括现有员工，但不要害怕到组织外部寻找最有资格的人员。 确保让现有员工接受培训，以便他们有机会为项目做出贡献。

选择人工智能平台

一些人工智能平台可能更适合特定项目，但总的来说，它们都提供类似的产品，以便相互竞争。 让您的团队就选择哪个人工智能平台提供建议——他们是深入一线的专家。

开始实施

有了目标、团队和平台，你就可以开始认真工作了。 这不会很快：在商业人工智能准备好进入现实世界之前，需要训练人工智能模型，必须对数据子集进行测试，并且需要进行大量调整。 事实上，您应该预料到您的绝大多数时间不会花在设计流行算法上，而是花在数据准备上。

请参阅：探索 TechRepublic 的所有备忘单。

编者注：本文由 TechRepublic 的 Megan Crouse 更新。