ai是什么软件机器学习与人工智能、深度学习的关系及发展趋势分析

人工智能(ArtificialIntelligence，缩写为AI)是对人的观念、思维过程进行模拟的一门新学科。如今，人工智能从虚无缥缈的科学幻想成为了现实。计算机科学家们在人工智能的科技核心--机器学习(MachineLearning)和深度学习(DeepLearning)领域上尚未获得重大的冲破，机器被带给强大的感知和分析能力。回顾历史，在1997年，IBM深蓝击败国际象棋冠军卡斯帕罗夫；在2011年，具备机器学习素质的IBMWaston参加综艺节目获得100万美元；在2016年，利用深度学习练习的Aplphago成功打败人类世界冠军。种种事件说明机器也可以像人类一样思考，甚至比人类做得更好。

现在，人工智能在金融、医疗、制造等产业受到了广泛应用。其中ai是什么软件，机器学习是人工智能科技演进的主要方向。

一、机器学习与人工智能、深度学习的关系

在介绍机器学习之前，先必须对人工智能、机器学习和深度学习两者之间的关系进行梳理。目前业界最常用的划分是：

总而言之，人工智能是社会演进的重要开创力，而机器学习，尤其是深度学习科技就是人工智能发展的核心，它们两者之间是包括与被包含的关系。如下图：

注：图片来源于网络

二、机器学习：实现人工智能的高效方法

从广义上来说，机器学习是一种无法带给机器学习的能力，以此让它完成直接编程无法完成的功能的方式。但从实践的意义上来说，机器学习是借助经验或数据来优化算法的研究，通过算法让机器从长期历史数据中学习规律，得到某些方式并运用此模型分析将来，机器在学习的过程中，处理的数据越多，预测结果就越精准。

机器学习在人工智能的研究中带有非常重要的地位。它是人工智能的核心，是使计算机带有智能的根本方法，其应用涵盖人工智能的各个领域。从20世纪50年代他们就开始了对机器学习的研究，从最初的基于神经元建模或者变量逼近论的方式探究，到以符号演算为基础的规则学习和决策树学习的形成，以及后来的思维心理学中推导、解释、类比等概念的采用，至最新的计算学习理论和统计学习的兴起，机器学习经常都在相关学科的实践应用中起着主导作用。现在已获得了不少成就，并分化出许多研究方向，主要有符号学习、连接学习和统计学习等。

01机器学习的结构模型

机器学习的本质就是算法，算法是用于缓解问题的一系列指令。程序员研发的用于指导计算机进行新任务的算法是我们最近发现的先进数字世界的基础。计算机算法依照这些指令和规则，将长期数据组织到信息和服务中。机器学习向计算机发出指令，允许计算机从数据中学习，而不应该程序员作出新的分步指令。

机器学习的基本过程是给学习算法提供练习数据。然后，学习算法基于数据的推断生成一组新的规则。这本质上就是生成一种新的算法，称之为机器学习模型。通过使用不同的练习数据，相同的学习算法可以生成不同的建模。从数据中推理出新的指令是机器学习的核心优势。它还突出了数据的关键作用：用于锻炼算法的只用数据越多，算法学习到的就越多。事实上，AI许多最新进展并不是因为学习算法的激进变革，而是目前累积了长期的可用数据。

02机器学习的工作流程

首先将原始数据分成三组：训练数据、验证数据和检测数据；

再使用训练数据来建立使用相关特性的建模；

使用验证数据输入到尚未建立的数据建模中；

使用检测数据检查被验证的建模的性能体现；

使用完全训练好的建模在新数据上做分析；

使用更多数据、不同的特点或微调过的参数来提高算法的功耗表现。

03机器学习发展的关键基石

人工智能的能量来源是稳固的数据流。机器学习只有借助海量数据来练习自己，才能开发新规则来完成更加复杂的任务。目前我们时刻都在形成大量的数据，而数据传输成本的减少，使得这种数据容易被使用。

强大的计算机和借助互联网连结远程处理能力使可以处理海量数据的机器学习科技作为可能。ALPHGO之所以能在与对李世石的较量中获得历史性的胜利，这与它硬件配置的1920个CPU和280个GPU超强运算平台密不可分，可见计算能力针对机器学习是至关重要的。

在机器学习中，学习算法（learningalgorithms）建立了规则，允许计算机从数据中学习，从而推断出新的指令（算法模型），这只是机器学习的核心优势。新的机器学习科技，特别是分层神经网络，也被称为深度学习，启发了新的服务，刺激了对人工智能这一领域其它方面的投资和研究。

04机器学习的算法分类

机器学习基于学习方式的不同一般可分为三类：

给学习算法提供标记的数据和所需的输出，对于每一个输入，学习者都被提供了一个否认的目标。监督学习主要被应用于迅速高效地教熟AI现有的常识，被用于缓解分类和回归的弊端。常见的算法有决策树(DecisionTrees)、Adaboost算法、人工神经网络(ArTIficialNeuralNetwork－ANN)算法、SVM(SupportVectorMachine)算法等。

给学习算法提供的数据是未标记的，并且规定算法识别输入数据中的方式，主要是制定一个模型，用其试着对输入的数据进行解释ai是什么软件，并用于以后输入。现实状况下通常太多数据集都有长期的未标记样本，有标记的样本甚至非常少。如果直接弃用，很大程度上会造成模型误差低。这种状况解决的模式通常是结合有标记的样本，通过大概的方式把未标记样本变为伪的有标记样本，所以无监督学习比监督学习更难把握。主要用于缓解聚类和谓词问题，常见的算法有聚类算法、K－means算法、ExpectationMaximisation(EM)算法、AffinityPropagation聚类算法、层次聚类算法等。

该算法与动态环境互相作用，把环境的反馈作为输入，通过学习选择能超过其目标的最优动作。强化学习这一方式背后的物理原理与监督/非监督学习略有差别。监督/非监督学习更多地应用了统计学，而加强学习更多地结合了离散物理、随机过程很多化学方式。常见的算法有TD（λ）算法、Q－learning算法等。

三、机器学习在BI的应用：自然语言探讨

随着机器学习的普及，对话型客户交互接口逐渐变成业界的热门话题。NaturalLanguagetoSQL(NL2SQL)就是这种的一项科技，它将用户的自然语句转为可以执行的SQL语句，从而免除业务客户学习SQL语言的痛苦，成功将自然语言应用于BI领域。

Smartbi的自然语言探讨就是运用了NL2SQL技术，将自然语言通过神经网络转换为计算机可以辨识的数据库查询语言。用户借助语音以及屏幕输入后，“AI智能小麦”会将输入的自然语言转为语言元模型的方式，通过小麦内置的知识抽取算法，经过深度学习建模将元模型转换为机器可以理解的数据库语言。最后借助Smartbi预置的查询引擎和图形引擎，快速精确地找到客户想要的查询结果，自动生成图形输出，也可以在Smartbi中对查询结果进行组合和进一步探讨。

四、机器学习在BI的应用：数据挖掘

数据挖掘利用机器学习科技从长期数据中挖掘出有价值的信息。对比传统的数据预测，数据挖掘揭示数据之间未知的关系，可以做一些猜测性的剖析，例如精准营销、销量预测、流失客户预警等等。

尽管数据挖掘学习门槛较高，但是有越来越多的硬件软件支持机器学习建模的手动建立，这些建模可以尝试许多不同的算法来找出最顺利的算法。一旦通过训练数据找到了无法进行分析的最佳模型，就可以推进它，并对新的数据进行分析。例如Smartbi的数据挖掘系统在一个图标上借助可视化的操作实现数据预处理、算法应用、模型训练、评估、部署等全生命周期的管控。同时，内置分类、聚类、关联、回归五大类数十个算法节点并支持手动推荐，参数也能推动自动调优。

机器学习是人工智能应用的又一重要研究领域。当今，尽管在机器学习领域尚未获得重大科技进展，但就现今机器学习发展状况而言，自主学习素质还非常有限，还不具有类似人那种的学习素质，同时机器学习的演进也遭受着很大的挑战，诸如泛化能力、速度、可理解性或者数据运用能力等科技性难题需要消除。但令人可喜的是，在这些复杂的类人神经预测算法的研发领域，计算机教授已经获得了巨大进展，人们终于可以研发出许多自主性的算法和建模让机器打造出高效的学习素质。对机器学习的进一步深入探究，势必带动人工智能科技的推进应用与演进。