人工智慧 (AI) 與機器學習 (ML) 的不同之處

人工智慧涵蓋的領域非常廣泛，指的是運用技術來建構機器和電腦，有能力模擬人類智慧相關的認知功能，例如看、瞭解並回應語音或手寫語言、分析資料、提出建議等。

雖然人工智慧通常被認為是系統本身，但實際上是系統中導入的一組技術，能夠推理、學習，並採取行動來解決複雜的問題。

機器學習是人工智慧的一個子集，可自動讓機器或系統從經驗中學習及改善。機器學習不採用明確的程式設計，而是使用演算法分析大量資料、從洞察資訊中學習，並做出明智決策。

機器學習演算法會在訓練期間改善成效，方法是接觸更多資料。機器學習模型是輸出內容，或是程式透過訓練資料執行演算法後所學到的知識。使用的資料越多，模型的成效越好。

雖然 AI 和機器學習不盡相同，但兩者緊密連結。如要釐清 AI 和機器學習之間的關係，最簡單的說明就是：

• AI 是較廣泛的概念，能讓機器或系統像人類一樣感知、推理、行動或適應
• 機器學習是 AI 的一種應用方式，可讓機器從資料中擷取知識，並自動學習

如要記住機器學習與人工智慧之間的差異，不妨將這兩者想像成一個傘狀模型。人工智慧是一個概括性名詞，涵蓋各種具體做法和演算法。機器學習則是其下的一個分支，和其他主要的子領域一樣，例如深度學習、機器人、專家系統和自然語言處理。

人工智慧的其中一項概念是機器可模擬人類智慧，而機器學習並未涵蓋這項概念。機器學習的目的是訓練機器識別模式，以執行特定工作及提供準確的結果。

假設您詢問 Google Nest 裝置，「今天的通勤時間要多久？」向機器提問後，您就會獲得預估開車到辦公室所需時間的答案。這裡的整體目標是讓裝置成功執行工作，在現實世界中，您通常需要自行完成這些工作 (例如研究您的通勤時間)。

以這個範例來說，如果我們在這整個系統中使用機器學習技術，目的並不是讓這項工具執行特定工作。舉例來說，您可以訓練演算法來分析即時大眾運輸和車流資料，藉此預測交通流量和壅塞程度。不過，機器學習的應用範圍僅限於辨識模式、確認預測的準確度，以及透過資料學習，以盡量提高該特定工作的效能。

• AI 讓機器能模擬人類智慧來解決問題
• 目標是開發一套可執行複雜任務的智慧型系統
• 我們建立的系統能夠像人類一樣解決複雜的任務
• AI 的應用範圍廣泛
• AI 在系統中運用技術，模擬人類的決策
• AI 支援各種類型的資料，包括結構化、半結構化與非結構化資料
• AI 系統會使用邏輯和決策樹來學習、推論和自我更正

• 機器學習可讓機器透過以往的資料自動學習
• 目標是建構能透過資料學習的機器，藉此提高輸出結果的準確度
• 我們使用資料訓練機器，以便執行特定工作並取得準確的結果
• 機器學習的應用範圍有限
• 機器學習使用自我學習演算法來產生預測模型
• 機器學習只能使用結構化和半結構化資料
• 機器學習系統仰賴統計模型學習，因此在獲得新資料時可自行修正

各產業的公司以各種不同的方式運用 AI 和機器學習技術，改變了工作與營運的方式。將 AI 和機器學習功能與自己的策略與系統整合，有助於機構重新思考如何運用資料和可用資源、提高產能和效率、透過預測分析改善以資料為依據的決策，以及提升客戶和員工體驗。   

以下列舉一些最常見的 AI 和機器學習技術應用方式：

病患健康記錄分析和洞察資訊、結果預測與建模、加速藥物開發、增強診斷、病患監控，以及從臨床筆記中擷取資訊。

實際工作環境機器監控、預測性維護作業、IoT 數據分析和作業效率。

庫存和供應鏈最佳化、需求預測、視覺化搜尋、個人化方案和體驗，以及推薦引擎。

風險評估與分析、詐欺偵測、自動交易和服務處理最佳化。

智慧型網路和網路最佳化、預測性維護作業、業務流程自動化、升級規劃工作及容量預測。