现在人们谈论的人工智能，看似遥远的未来，但其实早已在我们的生活中泛??滥成灾。从我们为孩子购买的第一只玩具机器人宠物，到执行预定手术的机器人外科医生，再到完美了解我们对音乐、电影和广告的喜好的推荐系统，我们实际上已经进入了人工智能，而且它是同时。存在。随着“人工智能”变得越来越智能和无处不在，我们内心自然会有一种恐惧。有人担心人工智能在我们的社会中没有得到妥善实施而带来的反乌托邦，有人担心人工智能会取代我们所有的工作，有人担心我们会过于沉迷于这些技术，或者，我们实际上可以尝试去理解这一切，退后一步，真正评估在我们的工作场所实施AI的成本和收益，以便每个人都可以通过AI真正塑造自己的未来。什么是人工智能？历史上，艾伦图灵的“思考机器”和约翰麦卡锡的“可以自己思考的机器”都被用来定义人工智能。随着人工智能系统的发展，我们现在将人工智能称为“对刺激作出反应的机器与传统的人类反应一致，具有人类思考、判断和意图的能力”。AI顾名思义，智能是人工的，由人类编程来执行人类活动。这种人工智能被整合到计算机系统中，以创建最终充当“思维机器”单元的人工智能系统。通用人工智能系统可以智能地解决问题。（例如：人工智能股票交易系统）狭义的人工智能系统可以很好地执行特定任务。（示例：AI驱动的制造手臂）根据布鲁金斯学会DarrellM.West的报告，这些系统具有三个特征：意向性、智能性和适应性。意向性——人类设计人工智能系统是为了根据历史或实时数据或两者做出决策。这些AI系统包含预先确定的响应。智能——人工智能系统通常将机器学习、深度学习和数据分析与人工智能相结合，以实现智能决策。这种智能不是人类智能，只能说是对人类智能的绝对逼近。自适应——人工智能系统在编译信息和做出决策时具有学习和适应的能力。随着AI系统从实时数据中学习，AI系统可以提高其决策能力以改善结果。人工智能、机器学习、深度学习AI系统通常采用人工智能、机器学习和深度学习来创建可以很好地执行给定人类功能的复杂智能机器。这三个单元正日益成为整个AI系统智力拼图的独立部分。机器学习——它是人工智能的一种应用，它为人工智能系统提供了从环境中自动学习并应用该学习做出更好决策的能力。机器学习使用各种算法迭代学习、描述和改进数据，以预测更好的结果。这些算法使用统计技术来发现模式，然后对这些模式执行操作。深度学习——它是下一代机器学习。它是机器学习的一个子集，其中深度学习模型可以完全独立于人类做出自己的预测。虽然过去的机器学习模型在许多情况下仍然需要人工干预才能获得最佳结果，但深度学习模型使用人工神经网络。该网络的设计灵感来自于人脑的生物神经网络，它以类似于人类得出结论的方式来分析数据。监督机器学习与无监督机器学习与强化学习机器学习的基础知识涉及从环境中学习，然后将学习应用于决策制定。为了有效地做到这一点，机器学习算法使之成为可能。监督机器学习——在监督学习中，目标是提出一个映射函数(f)，它能最好地描述输入数据(x)到最终输出数据(Y)。我们知道x和Y，但是，我们必须找到一个达到一定性能水平的映射函数(f)。然后我们可以将映射函数(f)应用于新数据以获得类似的结果，训练数据用于查找函数f。Y=f(X)根据输出变量的类型，有监督的机器学习问题分为两类：分类和回归。如果输出变量是分类的，那么它就是一个分类问题。（例如：颜色可以是红色、蓝色、紫色等……）如果输出变量是实值那么它就是一个回归问题。（例如：高度可以是0英尺到10英尺）监督机器学习算法列表包括：线性回归支持向量机逻辑回归朴素贝叶斯线性判别分析决策树K-最近邻算法，无监督机器学习不假设正确集合输出“Y”。没有输出。这里的目标是呈现最能描述输入数据的最有趣的结构。有两种类型的无监督机器学习问题：聚类和关联。当您在输入数据中发现分组时，就会出现聚类问题。（示例：按性别对投票行为进行分组）关联是指您在输入数据中发现规则。（例如：女性选民倾向于投票给女性候选人）无监督机器学习算法列表包括：层次聚类K-均值聚类混合模型DBSCAN局部离群因子神经网络期望优化算法主成分分析非负矩阵分解强化学习-不同于监督和无监督ML一样，强化学习的重点是在特定情况下找到最大化奖励的最佳路径。决定是按顺序做出的。在每一步，算法都会采用总奖励的路径，这将有积极或消极的奖励。总奖励是路径上所有正负奖励的总和。目标是找到最大化奖励的最佳方法。（一个很好的例子是支持AI的股票交易系统。）Q-LearningPolicyIterationState-Action-Reward-State-Action(SARSA)DeepQ-NetworksDeepDeterministicPolicyGradientsDeepLearningistheNextGenerationofMachineLearning一代使用多层从原始输入中逐步提取高级特征（或理解）的机器学习算法。例如，在图像识别应用中，深度学习算法不仅仅识别矩阵像素，还可以识别一个级别的边缘、另一个级别的鼻子和另一个级别的人脸。凭借自上而下理解数据的能力，深度学习算法可以随着时间的推移提高性能，并在任何给定时刻做出决策。深度学习算法的强大之处在于它们既能承担监督学习任务，又能承担无监督学习任务。它还近似于人类大脑的许多大脑发育理论。深度学习算法现在被计算机视觉系统、语音识别系统、自然语言处理系统、音频识别系统、生物信息学系统和医学图像分析系统所使用。了解有关深度学习算法基础知识的更多信息：卷积神经网络人工神经网络前馈神经网络多元线性回归梯度下降逻辑回归现实生活中的应用在现实生活中，问题很少是简单的。人工智能最适合解决某些问题。通常，AI最适合执行解决问题的某些步骤，将其余的留给人类。例如，支持AI的聊天机器人可能能够跟踪员工的项目并获取状态更新，但是，管理人员仍然需要建立团队、激励他们并引导他们朝着正确的方向前进。适合AI解决的问题：重复性任务——按照逻辑步骤得出结论的手动任务。（例如：包装货物，准备好在仓库交货）数据密集型任务-涉及分析大量数据以寻找模式和异常的任务。（示例：从财务记录中发现欺诈。）超人任务-需要超人能力并说明人类感官和精细运动技能的局限性的任务。（例如：机器人外科医生可以使用最精确的动作进行无创手术。微调的计算机视觉可以在人眼无法进行MRI扫描时发现肿瘤。）随着人工智能系统的发展，我们面临的挑战是面对人类的局限性。在人工智能为我们的生活带来更高效率的同时，我们也面临着人工智能融入生活带来的新问题。只有多一些理解，少一些恐惧，才能赋能自己在人工智能时代前行。
