各行各业的公司都在探索和实施从大数据到机器人技术的人工智能(AI)项目，以实现业务流程自动化、改善客户体验和创新产品开发。根据麦肯锡的说法，“通过人工智能对生产力和经济增长的贡献，企业和经济体将受益匪浅。”但伴随着这一承诺，挑战也随之而来。计算机和机器不会带着固有知识或对事物运作方式的理解来到这个世界。像人类一样，他们需要被教导红灯表示停止，绿灯表示消失。那么这些机器实际上是如何获得执行驾驶汽车或诊断疾病等任务所需的智能的呢？有多种方法可以通过数据或半身像实现人工智能，对他们来说，存在的只是数据。没有高质量的数据，人工智能就是一个白日梦。有两种操纵数据（通过规则或机器学习）以实现AI的方法，以及一些可帮助您在两者之间做出选择的良好实践。基于规则的系统早在人工智能和机器学习(ML)成为高科技领域以外的主流术语之前，开发人员就将人类知识编码为计算机系统，作为存储在知识库中的规则。这些规则通常以“If”语句的形式定义任务的各个方面（“如果A，则执行B，否则，如果X，则执行Y”）。虽然必须编写的规则数量取决于您希望系统处理的操作数量（例如，20个操作意味着手动编写和编码至少20个规则），但基于规则的系统通常工作量更少且更具成本效益并且风险较小，因为这些规则不会自行更改或更新。然而，规则可以通过严格的智能来限制人工智能的能力，这些智能只能做它被编写的目的。机器学习系统相比之下，虽然基于规则的系统可以被认为具有“固定”智能，但机器学习系统是自适应的并试图模仿人类智能。仍然有一层底层规则，但不是手动编写固定的集合，机器能够自己学习新规则，并丢弃不再有效的规则。在实践中，机器可以通过多种方式学习，但监督训练（当机器获得数据进行训练时）通常是机器学习程序的第一步。最终，机器将能够自行解释、分类和执行其他未标记数据或未知信息的任务。从贵组织的AI战略着手：AI的预期收益很高，因此公司在执行早期做出的决策对于成功至关重要。Foundational正在使您的技术选择与AI实现的基本业务目标保持一致。你想解决什么问题，或者你正面临挑战？实施基于规则或机器学习系统的决定将对贵公司AI程序的开发和扩展产生长期影响。在评估哪种方法最适合您的组织时，请酌情考虑以下因素：选择基于规则的方法是有意义的：固定结果：当结果数量很少或固定时。例如，“添加到购物车”按钮是否被按下只有两种状态。虽然可以使用机器学习来检测用户是否按下了按钮，但应用这种方法没有意义。犯错的风险：犯错的惩罚太高而不能冒误报的风险，因此只应执行100%准确的规则。没有为ML做计划：如果维护系统的人不具备机器学习知识，并且业务没有前进的计划。何时应用机器学习：简单规则不适用：当没有易于定义的方法来使用简单规则来解决任务时变化速度：当情况、场景和数据变化快于不断编写新规则的能力时。自然语言处理：需要理解语言或自然语言处理的任务。由于表达它的方式有无数种，因此为普通语言编写规则即使不是完全不可能，也是不切实际的。自适应智能是机器学习的固有特性，针对规模进行了优化。人工智能的前景是真实的，但对于许多组织而言，挑战在于从哪里开始。如果您属于此类，请先确定基于规则的方法还是ML方法最适合您的组织。
