人工智能 (AI) 与机器学习 (ML)

人工智能是一个广义的领域，是指利用技术构建出能够模仿与人类智慧相关的认知功能的机器和计算机，例如能够看到、理解并对口语或书面语言做出反应，分析数据，提出建议等等。 

虽然人工智能本身通常被认为是一个系统，但实际上它是系统中实现的一组技术，为的是使系统能够推理、学习和采取行动来解决复杂的问题。 

机器学习是人工智能的一个子集，可让机器或系统自动从经验中学习和改进。机器学习使用算法而不是显式编程来分析大量数据、从数据洞见中学习，然后做出明智的决策。 

机器学习算法会随着训练的进行（接触越来越多的数据）不断改进以提升性能。机器学习模型是输出，即程序通过对训练数据运行算法而学到的内容。使用的数据越多，获得的模型就越好。 

虽然 AI 与机器学习并不完全相同，但它们密切相关。了解 AI 和机器学习如何相互关联最简单的方式是：  

• AI 是一个更宽泛的概念，可让机器或系统像人类一样感知、推理、行动或调整 
• 机器学习是人工智能的一种应用，可让机器从数据中提取知识并自主学习

要记住机器学习与人工智能之间的区别，一个有用的方法是把它们想象成伞形类别。人工智能是一个总体术语，涵盖各种具体的方法和算法。机器学习属于这一范畴（伞），当然还有一些其他的主要子领域也属于这一范畴，例如深度学习、机器人、专家系统和自然语言处理。

人工智能包含了可以模仿人类智慧的机器的概念，而机器学习则没有包含此类概念。机器学习旨在通过识别模式来教机器如何执行特定的任务并提供准确的结果。 

想象这样一个场景，您问 Google Nest 设备“我今天通勤的时间有多长？”。在这种情况下，您向机器提出了问题，然后得到一个关于您开车到办公室估计需要多长时间的答案。在此应用场景中，总体目标是让设备成功执行一项任务，一项在现实环境中通常必须由您自己完成的任务（例如研究您的通勤时间）。 

在本示例中，在整个系统中使用机器学习的目标不是使其能够执行某项任务。例如，您可以训练算法来分析实时交通和路况数据，以预测交通流量和密度。但是，范围仅限于识别模式、预测的准确性以及从数据中学习以最大限度地提高特定任务的性能。

• AI 可让机器模拟人类智慧来解决问题
• 目标是开发可执行复杂任务的智能系统
• 我们构建可以像人类一样解决复杂任务的系统
• 人工智能的应用非常广泛
• AI 可在系统中使用技术来模拟人类的决策过程
• AI 可处理所有类型的数据：结构化、半结构化和非结构化数据
• AI 系统使用逻辑和决策树来学习、推理和自我更正

• 机器学习可让机器根据过往数据自主学习
• 目标是构建可以从数据中学习的机器，以提高输出的准确性
• 我们使用数据训练机器，以执行特定的任务并提供准确的结果
• 机器学习的应用范围有限
• 机器学习使用自学习算法生成预测模型
• 机器学习只能使用结构化数据和半结构化数据
• 机器学习系统依靠统计模型进行学习，并且可以在有新数据提供时自我更正

各行各业的公司都在以各种方式使用 AI 和机器学习来转变其工作和业务方式。通过将 AI 和机器学习功能整合到策略和系统中，组织可重新思考如何使用数据和可用资源、提高生产力和效率、通过预测分析增强数据驱动型决策，并改善客户和员工体验。   

以下是一些最常见的 AI 和机器学习应用： 

患者健康记录分析和数据洞见、结果预测和建模、加快药物开发速度、诊断增强、患者监测以及临床记录信息提取。

生产机器监控、预测性维护、IoT 分析和运营效率。

库存和供应链优化、需求预测、可视化搜索、个性化优惠和体验以及商品推荐引擎。

风险评估和分析、欺诈检测、自动化交易和服务处理优化。

智能网络和网络优化、预测性维护、业务流程自动化、升级规划和容量预测。