混合人工智能是企业挖掘数据价值的首选方式单一技术方法的局限性符号人工智能可以理解实际知识，而不仅仅是数据混合解决方案打开了人工智能的“黑匣子”，帮助人工智能技术普遍应用符号人工智能和人工智能在真实场景机器学习/深度学习都有自己的优势，当以混合方式一起使用时，可以成为一个强大的组合。它将为许多关键企业应用程序的开发铺平道路。接下来，我们就来看看他们各自的能力。符号AI符号AI旨在使用实际知识更好地理解现实世界的想法和概念。这类似于人类如何使用特定的、面向领域的、符号/语义知识来解释我们的周围环境。符号人工智能最重要的贡献是在自然语言处理（NLP）和自然语言理解（NLU）领域。机器学习/深度学习机器学习(ML)是目前业务开发中采用最多的人工智能形式。由于它能够以迭代和自适应的方式自主处理不同的数据集，因此它本质上是在“学习”其环境的模式并做出相应的反应。它成为自动化和自主计算环境中最灵活和最有价值的工具。深度学习(DL)是基于神经网络的机器学习。相对而言，DL可以返回更好的结果，但计算/能源成本可能比普通ML技术高出许多数量级。用于挖掘非结构化数据的人工智能有望显着提高两个企业目标：生产力和盈利能力。当然，这需要高效挖掘非结构化数据中隐藏的价值，实现更高水平的自动化。不仅要实施结构化数据驱动的工作流（主要是机械的、重复的功能），还要实施信息密集型或非结构化数据驱动的流程。与此同时，企业更愿意以无中断和完全透明的方式引入新技术方法，以便其带来的任何变化都易于理解，并且由此带来的好处是明确和直接的。单纯的机器学习方法很难满足所有这些要求。从本质上讲，它们是一个“黑匣子”场景——它们内部的计算和决策过程是隐藏的，难以解释。例如，当ML单独用于自然语言处理时，对输入数据的任何更改都可能导致模型漂移，从而需要重新训练和测试数据。符号AI学习方法和机器学习方法并不相互排斥：通过有效融合，可以达到企业期望的最佳结果。这包括对核心流程和应用程序的有效支持，对给定AI模型的行为完全透明，以及如果错误很大如何及时纠正。事实上，在大多数企业中，最大的信息存储库是语言形式的非结构化数据。从电子邮件到录音，从法律合同到法规，口头和书面文字是主要的数据来源。传统的计算平台擅长处理客户名单、财务记录和绩效指标等结构化数据，但直到最近，人工智能的发展和应用才使得以经济高效的方式处理非结构化内容成为可能。符号AI在整个AI生态系统中，符号推理和语义理解可以产生更精确的结果，同时减少训练新模型的时间和费用。首先是提高传入数据的质量，然后简化支持这些海量数据所需的繁琐且资源密集型基础设施。在操作上，混合人工智能方法可以将人工智能从机械的、重复的、简单的自动化任务推向需要知识和专业知识的更高层次的工作——但仍然无法完成需要人工干预的战略级任务。举一个最典型的例子，标签就是对信息进行标记，使其可以被机器使用的过程。这是一项艰巨而繁琐的工作，既费时又费力。然而，通过在符号学习环境中使用适当的知识库和图表，可以有效地简化培训过程。可信度如上所述，当前人工智能部署的另一个关键问题是可信度。ML/DL存在黑盒问题，其输出既不透明也不可解释。这个问题往往表现在人工智能训练的模型存在偏差的地方。关于人工智能产生的种族主义、厌女症和其他偏见的故事比比皆是，主要是因为它的输入数据朝那个方向倾斜。如果不能直接观察这些行为，也看不到算法如何对其做出反应，最终整个系统将面临瘫痪，只能重新训练模型，重新投入生产。信誉问题也会产生其他影响，例如错误预测关键细分市场的购买趋势，或者大学录取中未考虑的文化因素。可解释的人工智能通过引入符号人工智能，黑匣子被打开，这样用户就可以理解为什么机器会以某种方式运行，以及如果结果不理想可以采取什么措施来优化它。此外，这种可见性使操作员能够持续监控自己的流程，以便做出适当的调整。人工智能是一种强大的工具，可以为企业数据运营创造奇迹，但它仍处于起步阶段。对于具有前瞻性思维的组织而言，标准的单一模型AI迭代的局限性已变得越来越明显。我们需要的是一种方法，使该技术更具适应性并更深入地挖掘数据的潜在价值，同时使AI更易于使用且成本更低。混合人工智能——基于理解实际知识而非简单学习模型的符号人工智能——是公司从多年来收集的所有数据中释放价值的首选方式。译者介绍张毅，51CTO社区编辑，中级工程师。主要研究人工智能算法的实现和场景应用，了解和掌握机器学习算法和自动控制算法，将持续关注国内外人工智能技术的发展，特别是人工智能技术在智能领域的应用联网汽车和智能家居等领域的实现和应用。原标题：TheHybridtoGiveYourAItheGiftofKnowledge，作者：MarcoVarone
