简介：许多朋友问有关如何建立人工智能的问题。本文的首席CTO注释将为您提供详细的答案，以供您参考。我希望这对每个人都会有所帮助！让我们一起看看！
本文目录清单：
1.如何构建像“”“”之类的人工智能。2。人工智能需要什么基础？3。建立AI 4.如何组建人工智能团队的三种方法：首先，让我们解释什么是“灾难孔雀”。现有的人工智能技术的底层是机器学习技术，也就是说神经网络用于量化问题。最后，获得了相对可靠的神经网络。知道如何分解问题是最合理的，但不知道网络参数的其他逻辑意义以及最终结果，除了正确的速率外，我们假设现在有两种新事物现在需要学习A和B，而且，如果我们使用一组神经网络来学习，将会有一个非常令人尴尬的情况：让人工智能学习A.神经网络学习如何解决B问题，A问题的解决方案已被涵盖，这等同于“忘记”。我想说一件事，但是因为我被打断了，突然忘记了，您必须了解沮丧。从流行的角度来看，尽管该神经网络可以同时学习两件事A和B，但它们本质上不是神经网络，因为它不能同时完成两项交易。此功能就像是“高墙”，停止人工智能并朝着泛化的方向前进。因为它不能是普遍的，我们目前看到的人工智能仍处于“虚弱的人工智能（只有一个或一个或一个或一个实际问题）”的阶段。解决这个问题。问题，DeepMind引入了一组新的算法系统EWC（弹性重量合并）， 这并不复杂。A和B的两个任务以及与相应的两个神经网络相对应，仍然需要在A和B中学习的两件事。结果的结果很强，增加了相应的时间保护再次学习新事物B时，将保留事物的最关键的神经网络结构。即使涵盖了一小部分，也可以通过再次学习来迅速获得。尤恩·辛格扬（Yuan Xingyuan）专门指出：“ DeepMind进步的关键是19场游戏使用相同的神经网络。”从这一成就中，DeepMind的实验取得了成功。我必须说，这确实像是工作方式。因为人脑也将负责大脑不同位置和真皮层的不同任务。问题，大脑的相应区域会自然地运行。EWC的出现是衡量这些无法同时处理的神经网络如何分别保留。哺乳动物的大脑，因为它们都有能力巩固以前的技能和记忆。根据当前的神经科学的研究结果，有两种主要方法可以合并大脑中的知识以巩固（SystemSconsonolidation）和SynaptIcConsolidation.System Consolidation。，人的大脑将快速学习部分获得的记忆转移到缓慢的学习部分中。此转移过程有意识的记忆ies并参与有意识的记忆。当人类做梦时，可以完成此过渡过程。在合并中，如果技能在先前的学习中非常重要，则不会涵盖神经元之间的联系。EWC算法这次宣布，实际上模拟了突触的巩固。毫无疑问，即使EWC算法配备了 人工智能的当前记忆复杂性远低于人类。它是一个m子还是马？拔出几场游戏，并说由于算法可用，因此很自然地进行测试。DeepMind选择了一个他熟悉的项目：19 Atari2600（1977年发行的经典像素游戏机，几个最经典游戏）。在2015年之前，DeepMind通过其自己的神经网络DEEPQ在这些游戏中得分超过了人类，这仍然是一个熟悉的项目，但DeepMind添加了一个EWC算法是在这次的DEEPQ的基础上。在同一时间，为了验证EWC算法的有效性，他们添加了评估条件：每个游戏只能学习2000万次，然后切换到下一个游戏。所有19场比赛都学到了一次，他们开始从第一场比赛中学习。最后，他们得到以下结果：注意：SGD（蓝色）是不将EWC添加到EWC结果中的结果。在使用EWC算法添加红色后，单个游戏（黑色）是连续学习单个游戏的结果。要解释的是，这些图表中的水平坐标是学习时间的数量，而EWC不是连续学习的结果实际上已经在每个两个峰值山谷之间学习了18场比赛。要制作一个简单的统计数据：在19场比赛中，总共达到或接近（以80％计算）单游戏。，EWC和SGD的比较也可以显示出非常有趣的趋势：在大多数游戏中，“重新学习”后两者的性能会大幅下降，但是EWC的结果通常高于SGD。而且较小。这只是证明了EWC确实记得如何玩这个游戏。但是与此同时，我们还可以找到其他有趣的结果：1。Breakout，Stargunner，Asterix， 数据的积累非常重要。每个游戏只能学习2000次的限制，以便EWC和SGD无法进步（即使我们继续增加回合的数量，希望也很苗条）。2。在这场袋鼠的游戏中，不同的学习尝试似乎促进了分数。经过几次，EWC取得了比单场比赛更多的成就（这与人类游戏和灵感的游戏有点相似）。3。在Demonattack，Defender，SpaceInvaders中，EWC在几轮后的成绩下降。即使多个回合继续继续进行研究，就没有改进，这可能是因为学习数量还不够EWC网络无法正确选择应保留的神经网络组件的结果。该实验证明了EWC确实有效。如何确定每次学习的次数？这些困难条件还需要算法才能平衡，我们甚至可以说当前的EWC算法不完整。Yuan Xingyuan还指出了他自己的几个观点：1。DeepMind Selects ofter Atari2600游戏一个测试。尽管游戏，游戏玩法和性能的类型是不同的，但输入是一致的。这在一定程度上保证了神经网络的一般性质2。这种记忆系统的构建不会直接打开强大的人工智能的道路。这仍然是一条很长的路3。人工智能基本上已经“挖空”了神经科学的当前积累。人工智能的进步需要通过人工智能的进步来连续实现。记忆铺平道路，使强大的人工智能在上面提到的尽快到达，如上所述，引入了“记忆”的引入 最终要实现人工智能的最终目标 - 斯特朗人工智能，这也是最理想的道路之一。Yuan Xingyuan分享了他所理解的两条道路，目前是强大的人工智能 - 例如：“例如：“例如”，alphago，现在确实非常强大，它肯定会超越人类。为国际象棋写国际象棋的一件事。尽管如此，尽管它可以传给人类，但人类无法理解它的思想，这等同于等同于对人类毫无意义。其次，您需要将这些记忆变成人类可以理解的代码和语言。当然，DeepMind尝试的算法仍然非常有限，不能被视为完整的内存系统。哪种记忆是最需要的人工智能？Yuan Xingyuan说：“记住事情是必要的。关键是要成为一本书，也就是说，它可以输出外部可接受的结果。这种不同的人工智能可以交换知识，人类可以学习。”时间长度的观点，这些书实际上可以定义为长期记忆，最好永久保存和更新。作为语言，Caiyun AI的最新产品“ Caiyun Xiao Translation”是人工智能驱动的翻译产品。人们。”
目前，人工智能已成为新时代的强制性课程。它不需要重复重要性，但是作为跨学科的产品，它包含的内容是巨大的，各种复杂的模型和算法更加艰巨。对于大多数新手来说，如何从人工智能开始实际上是雾蒙蒙的，例如需要哪种数学基础，是否有工程经验，在深度学习框架中应注意什么等等。
那么，我应该从哪里学习人工智能？人工智能的学习路径是什么？
Wang Tianyi教授在Ji You Time应用程序已授权的“人工智能基础课程”已获得授权。有关更多相关文章，请下载Geek Time App并订阅该列以获取它。
数学的基本知识包含处理智能问题的基本思想和方法，它也是理解复杂算法的基本要素。在对各种人工智能技术的最终分析中，各种人工智能技术基于数学模型。要了解人工智能，我们必须首先掌握必要的数学基础知识。具体来说，它包括：
线性代数：如何形成研究对象？
概率理论：如何描述统计定律？
数学统计：如何看大？
优化理论：如何找到最佳解决方案？
信息理论：如何量化不确定性？
表格逻辑：如何实现抽象推理？
线性代数：如何形成研究对象？
实际上，线性代数不仅是人工智能的基础，而且是现代数学和现代数学作为主要分析方法的基础。，线性代数的核心意义是提供一种抽象的观点来对待世界：所有事物都可以抽象成某些特征的组合，并在预设规则定义的框架下，obvers保留动态方式。
从对抽象概念而不是特定数学公式的解释中，线性代数的要点如下：线性代数的本质是将特定的事物抽象成数学对象，并描述静态和动态的特征；矢量的本质是介质中的n维线性空位点；线性转换将矢量或坐标系的变化描述为参考系统，可以由矩阵表示。矩阵的特征值和特征向量描述了变化的速度和方向。
简而言之，线性代数是用于人工智能的基本工具集，例如为高数学添加方法。
概率理论：如何描述统计定律？
除线性代数外，概率理论也是人工智能研究的必要数学基础。随着连通性学校的兴起，概率统计数据已取代了数学逻辑，并成为人工智能研究的主流工具。数据爆炸，数据爆炸-Type的增长-Type增长计算功率指数得到了增强，概率理论在机器学习中起着核心作用。
像相同的线性代数一样，概率理论也代表着一种观察世界的方式，注意力的重点是无处不在的可能性。频率学校认为优先级分布是固定的，并且模型参数必须由最大值计算。轻度估计；贝叶斯学校认为优先级分布是随机的，并且必须通过后测试概率最大化模型参数。正态分布是最重要的。随机变量分布。
数学统计：如何看大？
在人工智能的研究中，数学统计学也是必不可少的。基本统计理论有助于解释机器学习算法和数据挖掘的结果。只有做出合理的解释才能反映数据的价值。数学统计研究基于获得的数据或实验的随机现象，并对研究对象的客观定律做出合理的估计和判断。
尽管数学统计数据将概率理论用作理论基础，但两者之间的方法存在基本差异。概率理论的前提是，随机变量的分布是已知的，并且根据随机变量的特征和定律，根据该变量的特征和定律。已知分布；数学和物理统计的研究对象是未知分布的随机变量。研究方法是独立重复随机变量并重复独立观察，并根据获得的观察结果推断原始分布。
在严格但直观的事物中：可治愈的统计数据可以被视为反向概率理论。数学统计的任务是根据观察到的样本推断总体性质。推论工具是统计数据，统计数据是样本的函数，它是一个随机变量；包括点估计和间隔估计值；假设测试被随机提取的样品接受或拒绝，则通常用于估计机器学习模型的概括错误率。
优化理论：如何找到最佳解决方案？
本质上，人工智能的目标是优化：在复杂的环境和多体互动中制定最佳决策。几乎所有人工智能问题都将最终用于解决优化问题的解决方案，因此优化理论也是基本的。人工智能所需的知识。优化理论研究的问题是确定给定目标函数的最大值（最小值）是否存在，并找到目标函数的值为最大值（最小值）。如果给定目标功能被视为山脉，优化的过程是判断峰的位置并找到达到峰值路径的过程。
在正常情况下，优化问题是解决目标函数的最小值而没有约束。在在线搜索中，在寻找最小值时确定搜索方向需要使用目标函数的第一阶和第二阶指南；该算法的想法是首先确定搜索步骤，然后确定搜索方向;人工神经网络代表的灵感算法是另一种重要的优化方法。
信息理论：如何量化不确定性？
近年来，科学研究不断确认不确定性是客观世界的基本属性。换句话说，上帝确实掷骰子。不确定的世界只能由概率模型描述，这有助于信息的诞生理论。
“信息熵”的概念使用“信息熵”来解释通信源中传递的信息量的数量和效率以及通信中传递的信息数量。
简而言之，信息理论在客观世界中以不确定性处理。条件熵和信息增益是分类的重要参数；KL分散程度用于描述两个不同概率分布之间的差异。最大熵原则是分类问题的摘要。
表格逻辑：如何实现抽象推理？
1956年举行的Datmouth会议宣布了人工智能的诞生。在人工智能时期，创始人，包括约翰·麦卡锡，赫伯特·西蒙，马尔文主义者和其他未来的图灵奖奖得主，包括人类的思想。“通常，理想的人工智能应该具有抽象的学习，推理和归纳能力，并且其一般性将比解决特定问题（例如国际象棋或往事）要强得多。
如果将认知过程定义为符号的逻辑操作，则人工智能的基础是逻辑的。谓词逻辑是知识表示的主要方法；基于谓词逻辑系统可以通过自动推理能力实现人工智能；认知的本质是计算人工智能的基本概念。
“人工智能基础课程”完整的目录
本专栏将重点关注诸如机器学习和神经网络之类的核心概念，并结合当前的热学习技术来概述人工智能开发的基本轮廓和主要道路。单击我获得了学习资源
请单击输入图片说明
让我们看一下人工智能，机器学习和大数据技术应用程序的联系和差异
大数据和人工智能目前正在谈论许多主题。他们的应用变得越来越广泛，他们与我们生活的关系越来越深刻。他们中的许多人进入了普通百姓的家，例如Asuav，在线汽车租赁，自动导航，智能家居电器，E-商业建议，人类 - 机器人对话机器人等。
大数据是人工智能的基础，将大数据转化为知识或生产力。它与机器学习密不可分。可以说，机器学习是人工智能的核心，也是使机器聪明的基本方法。
本文主要介绍机器的概念，大数据，人工智能，常见架构和机器学习算法等之间的关系等，如下：
机器学习的定义
大数据和机器学习
机器学习和人工智能和深度学习
机器学习的基本任务
如何选择正确的算法
火花在机器学习方面的优势
01机器学习的定义
什么是机器学习？是否有统一或标准的定义？目前，似乎没有机器学习中的专业人员，似乎没有广泛认可的定义。关于Wikipedia机器学习的一些定义：Wikipedia：
“机器学习是人工智能的科学。该领域的主要研究对象是人工智能，尤其是如何改善经验学习中特定算法的性能。”
“机器学习是对可以通过经验自动改善的计算机算法的研究。”
“机器学习使用数据或过去的经验来优化计算机程序的性能标准。”
经常引用的英语定义是：据说计算机程序可以从经验（e）方面学习一些类别的任务（t）和绩效（P）度量，如果其在T，Asmeas的表现会随着经验E的改善而提高。
可以看出，机器学习强调了三个关键字：算法，经验和性能。处理过程如图所示。
▲机器学习处理过程
上图显示，机器学习是通过算法使数据构建模型，然后评估模型的性能。如果您满足要求，则评估指标将用于测试新数据。再次进行此类周期，并最终获得令人满意的结果。
02大数据和机器学习
我们已经进入了大数据时代，生成数据的能力是前所未有的，例如互联网，移动网络，物联网，数千个传感器，可穿戴设备，GPS，GPS等，例如Hadoop和Spark Technology存储和处理大数据以提供有效的方法。
数据是信息和基础，并且有大量的信息，知识，法律不容易被我们的感官等识别。如何揭示这些信息，规则和趋势正在成为企业带来高回报的热点。
机器学习的任务是根据大数据量发现和有用的信息。它处理的数据越多，机器学习就能显示出优势的越多。过去，许多无法解决或处理机器学习处理的问题。通过提供大数据，它是解决或大大提高性能的绝佳解决方案。用于测试，天气预测等。
03机器学习，人工智能和深度学习
人工智能和机器学习的两个技术术语现在已广泛流传，已成为当前的热门单词。但是，它们之间有什么区别？什么是相同或相似的地方？尽管人工智能与机器学习高度相关，但这并不相同。
人工智能是计算机科学的一个分支。目的是开发具有智能行为的机器。目前，许多大型公司正在努力开发这种机器学习技术。他们都在试图让计算机学习人类行为模式，以在许多人眼中促进下一次技术革命 - 像人类一样“思考”。
在过去的10年中，机器学习为我们带来了无人驾驶汽车，实用的语音认可，有效的在线搜索等等。
对于许多机器学习，功能提取并不是一个简单的问题。在一些复杂的问题上，在手动方法中设计有效的功能通常需要大量时间和精力。
深度学习解决方案的核心问题之一是将简单的功能自动结合到更复杂的功能中，并使用这些组合的功能来解决问题。深度学习是机器学习的分支。除了学习特征和任务之间的关联外，它还可以自动从简单特征中提取更复杂的特征。下图显示了深度学习与传统机器学习之间的差异。如图所示，深度学习算法可以学习更复杂的功能从数据中表达出来，使最后一步的重量学习更加容易有效。
▲比较机器学习和深度学习过程
请单击输入图片说明
早些时候，我们引入了机器学习，人工智能和深度学习。他们之间有什么关系？
▲人工智能，机器学习与深度学习之间的关系
请单击输入图片说明
人工智能，机器学习和深度学习是非常相关的领域。上图说明了它们之间的一般关系。人工智能是一个非常广泛的问题。机器学习是解决此类问题的重要手段。深度学习是机器学习的一个分支。在许多人工智能问题上，通过传统机器学习方法的瓶颈打破了深度学习方法，并促进了人工智能的快速发展。
04机器学习的基本任务
机器学习基于数据并获得新知识和新技能。有许多任务，分类是其基本任务之一。类别是将新数据分为适当的类别。它通常用于类别的目标特征。如果目标特性是连续的，则经常使用回归方法。返回是对新目标特征的预测，它是使用机器学习的广泛方法之一。
分类和回归首先是基于标签值或目标值建立的模型或规则，然后使用这些目标值形成的这些模型或规则来识别或预测新的数据。任何方法都是监督和学习。通过监督学习，学习，无监督的学习，无监督的学习不会指定目标值或目标值未提前知道。
点击我获得学习资源
除了两种最常见的监督和学习方法，无监督的学习之外，还有一些方法，例如半学者和学习，加强学习，我们将不会在这里发展。下图显示了这些基本任务之间的关系。
▲机器学习的基本任务之间的关系
请单击输入图片说明
05如何选择正确的算法
当我们收到数据分析或采矿的任务或需要时，如果要使用机器学习来处理，则第一个任务是根据任务或需求选择适当的算法。哪种算法更合适？分析的一般步骤是：
▲选择算法的一般步骤
请单击输入图片说明
充分了解数据及其特征有助于我们更有效地选择机器学习算法。使用上述步骤，可以在一定程度上减少算法的范围，以便我们选择更少的弯路，但是就哪种算法选择了哪种算法，通常没有最好的算法或算法可以给出最好的结果。在执行项目的过程中，此过程通常需要多次尝试，有时需要不同的算法。方法，然后继续在此基础上进行优化，您通常会产生意外的效果。
“人工智能三部曲”阅读笔记
“人工智能哲学” [mei]拜伦·里奇
翻译：Wang Fei
出版社：Wenhui出版社
出版时间：2020-05
人工智能AI如何工作？
建造AI的方法有三种不同。
假设您想让一个人工智能告诉农民什么时候播种。
在AI研究的早期，科学家认为这种方法是最有效的。
经典的AI全面考虑了所有影响的因素（例如土壤类型，农作物，降雨等），并围绕这些因素建立模型，相应地权衡它们，以做出决定并为播种时间的农民做出建议。
致电一百位最有经验的农民，让他们写下他们了解的有关种植的规则。将这些规则介绍到系统中并组织起来，然后您输入相关变量，系统将根据这些规则提出建议。这是开发过程专家系统。
机器学习是指一个过程。通过此过程，您可以获取所有农民的数据以及多少生产，然后使用计算机来发现规则。通过对年份权利的数据审查。
但是，机器学习的困难在于，尽管它的建议可能是通过人类无法理解的。例如，“机器学习AI”可能建议：“ 3月12日”。如果您问：“你为什么这么说？”假设这一建议是由许多因素获得的，也许AI很难从AI中清理出来来清理出来。回答您的答案。
正是在最后一个领域的“机器学习”进步促进了人工智能的发展。large -scale数据收集，通常称为“大数据”，与强大的计算机和精致算法相结合，这极大地促进重新注意AI及其切割的进度。
音乐家，化学家和物理学家可以为企业的人工智能团队带来什么灵感？人们需要很多人来了解人工智能的一系列技能和角色，包括非技术技能和角色，这将促进人工智能的成功应用。
人工智能计划的成功可能取决于艺术和哲学，这也取决于数据科学和机器学习。这是因为该公司有效的人工智能部署需要建立一个全面的团队，包括来自各种背景和技能的人员，以及非技术角色。
NESS数字工程公司首席技术官Moshekranc表示：“任何人工智能计划都需要IT专家和行业专家的组合。IT专家了解机器学习工具包：哪种算法系列最有可能解决特定问题？如何调整特定问题？使用它来利用结果的特定算法，以使结果的准确性以及行业专家的知识带来了特定的知识领域：哪些数据源可用？机器学习算法？没有行业专家的投入，IT专家可能无法回答这些问题“”
因此，结论是人工智能的成功确实取决于团队，而不是任何个人或角色。
执行副总裁兼首席信息官兼首席信息官基思·柯林斯（Keith Collins）说：“建立了有效的人工智能团队时，我们需要寻求行业专家或超级团队，团队合作将获胜。
人工智能才能的四种核心类型
柯林斯认为，人工智能团队需要四种核心类型：
?了解业务流程对于建立真实场景和宝贵结果很重要。
?理解分析技术的人员，例如机器学习，统计，预测和优化，并正确使用它们。
?了解数据的来源，质量以及如何维持安全性和信任。
?了解如何通过结果实现人工智能架构师。
柯林斯指出，像其他IT领导者和人工智能专家一样，这些核心学科或角色可以从各种背景中汲取灵感。他以音乐，化学，物理和其他学科为例。
他说：“这些学科鼓励人们从复杂的互动系统中理解科学的过程和思考。他们通常擅长建立批判性思维技能和良好实验所需的应用机器学习结果。”
多元化人工智能团队的价值
多元化团队的价值很广：例如，它可以帮助公司更好地应对人工智能BIAS。这对于解决业务问题（包括最大和困难的问题）也很重要，这可能是公司首先制定制定的原因之一。人工智能策略。
高级数据科学家兼物联网实践的权威杰夫·麦吉希（Jeff McGehee）说：“人们普遍认为，多样化的意见对于解决所有复杂的问题很重要。多样性与生活经验有关。专业背景对于大多数人的生活经验都很重要，它可以增加人工智能项目的维度，并为寻找创新解决方案提供新的观点。”
麦格希还指出，建立人工智能或其他不同团队需要企业的积极努力，也需要作为招聘和就业实践的一部分。企业将发现，多样性的实现可能不是可行的团队建设策略。
考虑到这一点，我们需要了解一系列对人工智能团队（包括非技术角色）有价值的专家和角色。
1.现场专家
人们可以将这些角色和人员视为主题专家。无论使用哪种术语，他们需要了解他们对企业人工智能计划的重要性。
麦格希说：“人工智能系统的开发需要 - 深入了解系统操作领域。专家开发人工智能系统很少成为系统实际领域的专家。行业的专家可以提供关键见解，以使其能够使人有所了解，以使其能够做出能力，使您能够做出专家人工智能系统发挥最佳性能。”
Ness Kranc指出，这些专家可以解决针对企业和策略的领域问题。
他说，行业中的专家类型取决于要解决的问题。没有必要的见解是收入和运营效率还是供应链管理，行业专家需要回答以下问题：
?哪些见解最有价值？
?可以将在行业领域收集的数据用作见解的基础吗？
?意见有意义吗？
以下将引入一些特定的行业领域，但首先了解人工智能团队中的其他关键角色。
2.数据科学家
Jane.AI的人工智能研究与开发总监Dave Costenaro说，这是人工智能团队在新项目中工作的三个关键需求中的第一个。它的示例项目包括聊天代理，计算机视觉系统或预测引擎。
Costenaro说：“数据科学家具有各种背景，例如统计，工程，计算机科学，心理学，哲学，音乐等，通常都有强烈的好奇心，迫使他们在系统中找到和使用模式，例如它们，例如作为您可以为人工智能项目提供的东西，确定它可以做什么，并训练它做到这一点。”
3.数据工程师
Costenaro说：“程序员已经通过标准化代码获得了想法，模型，数据科学家的算法以及与适当的用户，设备，API等的对话，并成功地将其转化为现实。”
4.产品设计师
Costenaro说，三个关键需求的最终结果也说明了人工智能团队非技术知识的价值。
他说：“产品设计师也来自各种背景，例如艺术，设计，工程，管理，心理学和哲学。他们为所需和有用的东西制定了路线图。”
5.人工智能伦理科学家和社会学家
人工智能伦理学科学家和社会学家可能在某些部门（尤其是医疗服务或政府部门）中发挥至关重要的作用，但在广泛的情况下，它似乎变得越来越重要。
麦格希说：“人工智能系统的一个重要组成部分是了解它如何影响人们以及代表团体是否得到公平对待。如果系统的准确性前所未有，但没有预期的社会影响，那么一定可能有可能。失败。”
6.律师
麦格希说，在这个新兴领域，他还看到了法律专业知识的独立和相关需求。并且更多地了解人工智能在工业中的应用，预计将引入更多的法律。一项宝贵的财富。”
由于该行业的专家非常重要，因为Kranc和McGehee精心阐述，有必要在某些行业领域（包括技术和非技术领域）研究特定示例。这些领域应是人工智能团队建设的一部分，具体关于企业的具体目标和用例。
Jane.ai的Costenaro指出：“由于人工智能通常只是一层丰富了现有商业用例的一层，因此过去支持此用例的团队成员仍然很有价值。出于相同的原因，这也是必不可少的原因。”，”
Costenaro提供了可能具有宝贵人工智能的人工智能贡献者的五个角色示例，并解释了如何调整和增强在人工智能环境中的现有角色。
7.高管和战略家
Costenaro说：“企业高管领导层将需要考虑通过人工智能可以自动化和改进哪些业务模型，并权衡以下团队的新机会和风险，例如数据隐私，人类计算机的交互等。”“
8. IT主管
不要对非技术字符的价值感到困惑：没有它，公司的人工智能策略就不会太远。Costenaro指出，IT团队需要解决以下问题：“如果您正在积累并存储一个问题大量用于模型培训的数据，您将如何确保数据的隐私和安全性？此外，它将如何存储并将其从服务器提供到客户的设备，以快速而可靠地提供从服务器提供设备客户的设备。
Costenaro补充说，这还将促进DevOps专业人员的持续增长和云本地技术（例如容器和安排）专业知识人员的所有权。IT部门有机会使用人工智能工具（例如Chat Robots）来简化内部服务。
9.人力资源负责人
Costenaro说：“与此类似，人力资源部也有许多机会为客户提供人工智能工具，例如聊天机器人，以提高效率。”
此外，人力资源似乎是人工智能在评估组织中影响的重要参与者，这与麦格希的角色（例如伦理学家和律师）没有什么不同。
10.营销和销售负责人
正如KRANC指出的那样，如果企业的人工智能计划与收入有关，则应考虑增加销售和营销领域的专业知识。
Costenaro还指出，作为人工智能项目的一部分，销售和营销专业人员可能需要使用销售自动化工具和机器人流程自动化（RPA）和其他技术来增强其现有技能和流程。
11.操作专家
在整个IT部门，运营和DEVOPS专业人员都有特定的专业知识来实施人工智能计划。Costenaro列出了以下问题使用专业知识：在哪里使用专业知识：
?哪些可以自动化和改进？
?如果使用机器学习模型，您将如何创建一个新的数据收集过程来继续培训和改进这些模型？
?我们可以从开源存储库中获得准备模型和/或数据集以获得巨大的第一机会吗？第三方供应商提供的API服务会考虑一些任务和用例吗？
尽管人工智能可以解决一些主要问题，但肯定会带来新的挑战。这是多元化团队的基本原因。
麦格希说。“背景和个性不同的人员会注意不同的项目细节和限制，这很有用，因为它改善了所有重要细节的可能性，并提供了确定解决方案的总体方法。”
结论：以上是首席CTO注释如何建立人工智能的所有内容。我希望这对每个人都会有所帮助。如果您仍然想了解有关此信息的更多信息，请记住要收集对该网站的关注。