人工智能

它是什么,它为什么重要

人工智能 (AI) 让机器可以从经验中学习,适应新的输入并像人一样完成任务。您今天所听说到的大多数 AI 示例–从下国际象棋的计算机到自动驾驶汽车–都十分依赖深度学习和自然语言处理。使用这些技术,可以训练计算机通过处理大量数据并识别数据中的模式来完成特定任务。

人工智能历史

人工智能一词始创于 1956 年,而如今,由于数据量的增加、先进算法的出现以及计算能力和存储能力的提高,人工智能变得越来越流行。

20 世纪 50 年代早期的 AI 研究探索了诸如问题解决和符号方法之类的主题。20 世纪 60 年代,美国国防部对这种工作产生了兴趣,并开始训练计算机来模仿基本的人类推理。例如,美国国防部高级研究计划局 (DARPA) 在 20 世纪 70 年代完成了街道测绘项目。远在 Siri、Alexa 或 Cortana 成为家喻户晓的名字之前,DARPA 就于 2003 年创造了智能个人助理。

这项早期工作为我们如今在计算机中看到的自动化和形式推理铺平了道路,其中包括可以对其进行设计以用来补充和增强人类能力的决策支持系统和智能搜索系统。

尽管好莱坞电影和科幻小说将 AI 描绘成占领世界的类人机器人,但当前的 AI 技术发展并没有那么可怕,或者说,还没有那么聪明。相反,AI 已经发展到可以为各个行业提供许多特定利益。继续阅读有关医疗保健、零售业等行业中人工智能的现代示例。

棋盘和神经网络图

20 世纪 50 年代至 20 世纪 70 年代

神经网络

针对神经网络的早期工作激起了对“思考机器”的兴趣。

带有传统和现代机器学习的形状和箭头图

20 世纪 80 年代至 21 世纪 10 年代

机器学习

机器学习流行起来。

深色背景上的二进制代码和放大镜图

当今

深度学习

深度学习的突破推动 AI 蓬勃发展。


多年来, AI一直是SAS软件的重要组成部分。现在,我们帮助每个行业的客户利用AI技术的进步, 不断在SAS产品组合的解决方案中嵌入AI技术,如机器学习和深度学习。 Jim Goodnight, CEO, SAS in meeting Jim Goodnight CEO SAS

人工智能与机器学习

现在就观看此视频,了解 AI 和机器学习之间的关系。您将通过示例和一些有趣的旁白了解到这两种技术是如何工作的。

此外,视频以任何人都能理解的方式对人工智能进行了解释,十分适合与您的朋友和家人分享。


为什么人工智能很重要?

  • AI 通过数据自动进行重复性学习和发现。但 AI 与硬件驱动的机器人自动化不同。AI 不是将人工任务自动化,而是可靠、不知疲倦地执行频繁、大量的计算机化任务。对于这种类型的自动化,人工询问在设置系统并提出正确问题方面仍然至关重要。
  • AI 将智能添加到现有产品中。在大多数情况下,AI 不会被作为单独的应用程序出售。相对的,AI 功能将会用于改进您已经使用的产品,就像 Siri 被添加为新一代苹果产品的功能一样。自动化、会话式平台、机器人和智能机可以与大量数据结合使用,以改善从安全智能到投资分析的各种家庭和工作场所技术。
  • AI 通过渐进式学习算法进行适应,让数据进行编程。AI 通过发现数据结构和规律性,让算法获得技能:该算法则成为分类器或预测器。因此,就像算法可以教自己如何下棋一样,它也可以教自己下次在线推荐什么产品。当给予其新数据时,模型会进行适应。反向传播是一种允许在第一个答案不太正确时通过训练和添加数据来调整模型的 AI 技术。
  • AI 分析更多、更深的数据(使用具有众多隐藏层的神经网络)。几年前,建立具有五个隐藏层的欺诈侦测系统几乎是不可能的。而卓越的计算机功能和大数据改变了这一切。您需要大量数据来训练深度学习模型,因为它们直接从数据中学习。您可以提供的数据越多,它们就会越准确。
  • AI 实现了令人难以置信的准确性(通过深度神经网络),这在从前是不可能的。例如,您与 Alexa、Google 搜索和 Google 相册的交互都基于深度学习,并且随着我们使用次数不断增加,它们将变得越来越准确。在医学领域,来自深度学习、图像分类和对象识别的 AI 技术现在可以用来在 MRI 上发现癌症,其准确度可媲美训练有素的放射科医生。
  • AI 可以充分利用数据。当算法为自学时,数据本身就可以成为知识产权。答案在数据中;您只需应用 AI 将它们发掘出来。数据的作用比以往任何时候都更加重要,因此它可以创造竞争优势。如果您在竞争激烈的行业中拥有最好的数据,那么即使每个人都在应用类似的技术,最好的数据也将赢得胜利。

WildTrack and SAS: Saving endangered species one footprint at a time.

Flagship species like the cheetah are disappearing. And with them, the biodiversity that supports us all. WildTrack is exploring the value of artificial intelligence in conservation – to analyze footprints the way indigenous trackers do and protect these endangered animals from extinction.

当今世界的人工智能

AI 与物联网

数据无处不在。物联网 (IoT) 和传感器具有利用大量数据的能力,而人工智能 (AI) 可以学习数据中的模式以自动执行任务,从而带来各种业务利益。

将 AI 集成到您的分析程序

要想有效运用 AI,就必须制定与宏观业务战略相一致的策略,始终考虑人员、流程和技术的融合问题。

区分炒作与现实

SAS 执行副总裁兼首席技术官 Oliver Schabenberger 表示,人工智能正在帮助将"更高的智能度嵌入到机器中"但它并没有称霸世界。

人工智能的应用

每个行业对 AI 功能的需求都很高,尤其是可以用于法律协助、专利检索、风险通知和医学研究的问答系统。AI 的其他用途包括:

医疗保健

AI 应用可以提供个人化的医学和 X 射线读数。私人医疗保健助手可以充当生活教练,提醒您吃药、锻炼身体或保持健康饮食。

零售业

AI 提供虚拟购物功能,可提供个性化的建议并与消费者讨论购买选项。AI 还将帮助改善库存管理和站点布局技术。

制造业

AI 可以使用循环网络(一种与序列数据一起使用的特定类型深度学习网络),在工厂 IoT 数据从连接的设备流出时对其进行分析,以预测预期负载和需求。

银行业

人工智能提高了人工工作的速度、准确性和有效性。在金融机构中,AI 技术可用于识别哪些可能是欺诈性交易、进行快速准确的信用评分以及对人工密集型数据管理任务进行自动化。

与 AI 一起工作信息图

与 AI 一起工作

人工智能并不是用来取代我们人类的。它增强了我们的能力,并让我们能够把工作做得更好。由于 AI 算法的学习方式与人类不同,所以它们对事物的看法也有所不同。他们可以看到我们没有发现的关系和模式。这种人类与 AI 之间的合作关系提供了许多机会。它可以:

  • 分析带入其当前未得到充分利用的行业和领域。
  • 改善现有分析技术的性能,例如计算机视觉和时间序列分析。
  • 打破经济障碍,包括语言和翻译障碍。
  • 增强现有能力,让我们能够把工作做得更好。
  • 带给我们更好的视野,更好的理解,更好的记忆等等。

使用人工智能面临哪些挑战?

人工智能将改变各个行业,但我们必须了解其局限性。

AI 的主要局限性在于它从数据中学习。没有其他方法可以整合知识。这意味着数据中的任何错误都会反映在结果中。并且必须单独添加任何额外的预测或分析层。

如今的 AI 系统通过接受培训来完成明确定义的任务。玩扑克的系统不能玩单人纸牌或国际象棋。检测欺诈的系统无法驾驶汽车或向您提供法律建议。实际上,检测医疗保健欺诈的 AI 系统无法准确检测税收欺诈或保修索赔欺诈。

换句话说,这些系统非常非常专业。它们只专注于一项任务,而且其行为远不及人类。

同样,自学系统也不是自治系统。您在电影和电视中看到的想象中的 AI 技术仍然是科学幻想。不过可以探测复杂数据以学习并完成特定任务的计算机正变得非常普遍。

监视器上的 SAS® 可视化数据挖掘和机器学习截图

SAS®可视化数据挖掘和机器学习

当您可以准备分析所需数据,使用现代机器学习算法开发模型并将文本分析全部集成到一个产品中时,AI 就会得到简化。另外,您可以编写结合了 SAS 与其他语言(包括 Python、R、Java 或 Lua)的项目。

人工智能如何工作

AI 通过将大量数据与快速、迭代的处理和智能算法结合在一起来工作,从而使该软件可以自动从数据的模式或特征中学习。AI 是一个广泛的研究领域,包括许多理论、方法和技术,以及下列主要分支领域:

  • 机器学习对分析模型构建进行自动化。它使用来自神经网络、统计、运筹学和物理学的方法来查找数据中的隐藏洞察,而无需为在哪里寻找或得出何种结论进行明确的编程。
  • 神经网络是一种机器学习类型,由相互连接的单元(如神经元)组成,这些单元通过响应外部输入、在各个单元之间中继信息来处理信息。该过程需要对数据进行多次遍历以找到连接并从未定义的数据中导出含义。
  • 深度学习使用具有多层处理单元的巨大神经网络,利用计算能力的进步和改进的训练技术来学习大量数据中的复杂模式。常见的应用包括图像和语音识别。
  • 认知计算是 AI 的一个分支领域,它致力于与机器进行自然的、类似于人类的交互。使用 AI 和认知计算的最终目标是让机器能够通过解释图像和语音的能力来模拟人力过程,然后做出连贯的回应。
  • 计算机视觉依靠模式识别和深度学习来识别图片或视频中的内容。当机器可以处理、分析和理解图像时,它们就可以实时捕获图像或视频并对其周围环境进行解释。
  • 自然语言处理 (NLP) 是计算机分析、理解和生成人类语言(包括语音)的能力。NLP 的下一个阶段是自然语言交互,即允许人类使用日常语言与计算机进行通信以执行任务。


此外,有几种技术可以允许和支持 AI 使用:

  • 图形处理单元对 AI 来说十分关键,因为它们提供了迭代处理所需的强大计算能力。训练神经网络需要大量数据和强大的计算能力。
  • 物联网从连接的设备生成大量数据,其中大部分未经分析。使用 AI 自动化模型将让我们能够使用更多此类数据。
  • 高级算法正在开发中并以新的方式进行组合,以更快地在多个级别上分析更多数据。这种智能处理对于识别和预测罕见事件、理解复杂系统以及优化独特场景来说至关重要。
  • API,或应用程序处理接口是可移植的代码包,这种代码包让将 AI 功能添加到现有产品和软件包中成为可能。它们可以将图像识别功能添加到家庭安全系统中,并可以使用 Q&A 功能来描述数据、创建标题,或在数据中找出有趣的模式和洞察。

总之,AI 的目标是提供可以根据输入进行推理并对输出进行解释的软件。AI 将能够实现以与人类类似方式与软件进行交互,并为特定任务提供决策支持,但它不能替代人类,而且也不会在短期内替代人类。 

Back to Top