人工智能 (AI) 是计算机科学的一个领域,致力于解决与人类智慧相关的常见认知问题,例如学习、解决问题和模式辨识。人工智能 (通常简称为 "AI") 呈现出机器人或未来世界的景像。

什么是人工智能(AI) ?机器学习与深度学习

也就是说,AI 不再是科幻小说中虚构的机器人,而真正成为现代高阶计算机科学中的现实。Pedro Domingos 教授是这个领域声誉卓着的研究人员,提出机器学习的「五大流派」,包括:符号主义 (Symbolists),源自于逻辑和哲学;联结主义 (Connectionists),神经科学的分支;进化主义 (Evolutionaries),与进化生物学相关;贝叶斯派 (Bayesians),采用统计学和概率方法;以及类比主义 (Analogizers),源自于心理学。最近由于统计运算效率的提高,所以贝叶斯派的学者成功地让「机器学习」在很多领域更向前迈进。同样地,网络运算方面的进展也让联结主义流派的学者进一步发展「深度学习」这个分支。机器学习 (ML) 和深度学习 (DL) 这两个计算机科学领域都是从人工智能这个学科衍生出来的。

  这些技术大体上分为「监督」和「未监督」两种学习技巧,「监督」使用包含预期结果的训练资料,「未监督」则使用不包含预期结果的训练资料。

  提供 AI 越多资料,它就会变得「越聪明」而且学习更快,企业每天产生这些资料让机器学习和深度学习解决方案更加完备,包括从资料仓储 (如 Amazon Redshift) 收集或撷取的资料、透过 Mechanical Turk 的「群众」力量所产生的真实资料,或是透过 Kinesis Streams 动态探勘得到的资料等等。此外,由于 IoT 的出现,感应器技术让需要分析的资料量大幅暴增,这些资料包含之前几乎不曾接触过的来源、地点、物件及事件资料。

  机器学习​

  机器学习是多种贝叶斯派技巧的通称,用于模式辨识和学习。机器学习的核心是算法的集合,可根据记录的资料学习和进行预测、优化不确定情况下的特定公用程序函数、从资料撷取隐藏的结构,以及将资料分类成精确的描述。如果明确的程序设计太过于死板或不实际,通常会使用机器学习。相较于软件开发人员为了根据特定输入来产生程序码特定输出所开发的一般计算机程序码相比,机器学习使用资料产生统计程序码 (ML 模型),它会根据从之前输入范例 (在监督学习技巧中也包括输出范例) 辨识的模式输出「正确的结果」。ML 模型的正确性主要取决于过去资料的质和量。

  有了正确的资料,ML 模型可以利用数十亿个范例来分析高维度问题,以找出可根据特定输入预测结果的优化函数。ML 模型通常可根据统计方法提出可靠的预测及整体效能。如果你要使用 ML 模型或任何个别预测,这类评估分数对于决策而言很重要。

  Amazon 如何应用机器学习?

  Amazon.com 将许多业务建立在以机器学习为基础的系统上。如果没有 ML,Amazon.com 就无法扩展业务、提升客户体验和选择,以及优化物流速度和品质。Amazon.com 创立 AWS 是为了让其他企业也能享有相同的 IT 基础架构,并充分利用其敏捷性和成本效益,我们现在仍持续致力于让 ML 技术普及到各个企业。

  Amazon.com 开发团队的结构及对运用 ML 来解决困难的实际商业问题的专注,促使 Amazon.com 与 AWS 开发易于使用且功能强大的 ML 工具及服务。这些工具就像其他 IT 服务一样,会先在 Amazon.com 内部和关键任务环境中进行测试,然后才以 AWS 服务的形式公开供各个企业使用。

  在你的企业中实作机器学习

  机器学习通常用来根据过往的资料来预测未来的结果。例如,组织会使用机器学习根据特定人口统计学来预测他们的产品在未来会计年度的销售量;或是预测具备哪些特性的客户对品牌不满意或最忠实的可能性最高。这类预测有助于做出更好的商业决策、提供更贴近个人的使用者体验,以及具备降低消费者忠诚度成本的潜力。ML 可补足商业智慧 (BI) (主要在于报告过去的商业资料) 不足的地方,可根据以往的趋势和交易来预测未来的结果。

  在企业中成功实作 ML 有几个步骤。首先,找出真正的问题;识别明确后可让企业受益的预测。接着,必须根据以往的业务指标 (交易、销售、损耗等等) 收集资料。资料汇总之后,即可依据这些资料建立 ML 模型。执行 ML 模型并将模型的预测输出套用回商业系统,以做出更明智的决策。