人工智能（AI）已经存在了几十年。然而最近，随着“大数据”的出现，它越来越受到人们的关注。维基百科对人工智能的定义如下：在计算机科学中，人工智能研究领域将自己定义为“智能代理AI和大数据：完美结合”的研究：任何设备都可以感知其环境并采取一些行为使其机会最大化在某个目标上取得成功。而大数据是这样描述的：“大数据如此庞大或复杂，以至于传统的数据处理应用软件不足以处理它们。”计算机已经变得如此强大，以至于我们现在有能力存储数亿条数据记录。不幸的是，分析数据的能力可能成为瓶颈，继续使用传统方法是不可取的。AI和大数据：绝配那么为什么大数据吸引了AI的注意力呢？答案很简单，人工智能可以以传统人类无法做到的方式处理大数据集。以银行应用程序为例。该应用程序每秒记录数百万个数据流，我们希望它在发生异常活动（例如欺诈或盗窃）时发出警报。在这种情况下，人们可能无法完全处理和分析这些数据量，而是选择一个小片段，逐秒处理。即使有数百人分析欺诈的可能性，如此大量的数据也会降低决策能力。那么传统的数据处理系统呢？问题是，它们只是算法，必然受制于相同的逻辑。在查找异常时，需要灵活性，但传统方法并不擅长。现在我们进入人工智能。这些系统的运作含糊不清。他们预测，考虑了一条路径，但如果新数据否定了一条推理线，则可以将其丢弃并设定新的方向。由于AI系统在输入更多数据时变得更加智能，因此随着时间的推移，这是识别异常的理想选择.现在让我们看看一些用于大数据应用的AI技术。应用于大数据外推的人工智能技术外推是根据变量与原始观察范围之外的其他变量的关系来评估变量值的过程。我们假设一些数据显示出一种趋势，公司高管想知道：如果这种趋势持续下去，三个月后公司会在哪里？外推可以做到。请记住，并非所有趋势都是线性的。线性趋势很简单；一个简单的折线图就足够了。非线性趋势需要更多的参与，而这正是外推函数有用的地方。这些算法基于多项式、二次曲线或曲线方程。异常检测异常检测也称为异常值检测。它包括识别已识别的数据项、事件或观察结果，或数据集中不符合预期模式的其他项目。异常检测可以识别银行欺诈（前面提到的AI的应用）等事件。它还适用于其他几个领域，包括（但不限于）：故障检测、系统健康监测、传感器网络和生态系统干扰。贝叶斯原理在概率论和数理统计中，贝叶斯原理描述了一个事件发生的概率，它基于与事件相关的条件的先验知识。这是一种根据以前的事件预测未来的方法。假设一家公司想知道哪些客户有流失的风险。使用贝叶斯方法，可以收集有关不满意客户的历史数据并用于预测可能流失的未来客户。这是一个非常适合大数据的例子，因为更多的历史数据被输入到贝叶斯算法中，并且它的预测变得更加准确。自动化计算密集型人类行为在某些情况下，人类有可能分析大量数据，但随着时间的推移，这会变得乏味乏味，需要人工智能来提供帮助。基于规则的系统可用于提取、存储和操纵人类的知识，以有用的方式解释数据。在实践中，规则源于人类经验，并表示为一组“if-then”语句，这些语句使用一组断言来创建如何对它们采取行动的规则。基于规则的系统可用于创建代替人类专家提供问题答案的软件。这些系统也可以称为专家系统。考虑一家拥有可以为特定目的分析数据的人类专家的公司，然而，这项任务是乏味的。基于规则的系统可以捕捉并自动化这种专业技能。图解原理在数学中，图解原理是对用于模拟对象之间成对关系的数学结构的研究。此上下文中的图由顶点、节点或由边、弧和线段连接的点组成，并且可能非常复杂和庞大。使用图形原理，很容易理解数据之间的关系。例如，考虑一个复杂的计算机网络。图形原理可以深入了解网络中的瓶颈如何导致其他问题以及特定瓶颈的根本原因。模式识别顾名思义，模式识别用于检测数据中的模式和规律，它是机器学习的一种形式。使用数据训练模式识别系统的过程称为监督学习。它们还可用于发现数据中以前未知的模式，这一过程称为无监督学习。与基于单一数据类型的潜在异常的异常检测方法不同，模式识别可以发现多个数据切片中以前未知的模式，并考虑数据之间的模式（或关系）。一家公司（包括任何行业）可能有兴趣知道什么时候会发生异常情况，例如，如果消费者突然开始购买一件商品和另一件商品。企业可能会对该模型感兴趣。总而言之，人工智能是大数据世界中的一种引导方向和收集模式的方法。
