人工智能的8个有用的日常例子
如果你在谷歌上搜索“人工智能”这个词，然后不知怎的就打开了这篇文章，或者用优步(Uber)打车上班，那么你就利用了人工智能。
人工智能影响我们生活的例子不胜枚举。虽然有人将其称为“机器人以邪恶的天才统治世界”的现象，但我们无法否认人工智能通过节省时间、金钱和精力使生活变得轻松。
[[330378]]
术语
人工智能是指机器通过专门设计的算法来理解、分析和学习数据，从而充当人类思维蓝图的现象。人工智能机器能够记住人类的行为模式并根据他们的喜好进行调整。
在我们的讨论过程中，您将遇到与AI密切相关的主要概念是机器学习、深度学习和自然语言处理(NLP)。在继续之前，让我们先了解这些。
机器学习(ML)涉及通过大数据为例向机器教学有关重要概念的知识，大数据需要被构造(以机器语言)以便机器理解。这些都是通过向他们提供正确的算法来完成的。
深度学习(DeepLearning)比ML领先一步，这意味着它通过表示进行学习，但不需要对数据进行结构化以使其有意义。这是由于受人类神经结构启发的人工神经网络。
自然语言处理(NLP)是计算机科学中的一种语言工具。它使机器能够阅读和解释人类语言。NLP允许自动翻译人类语言数据，并使两个使用不同语言的实体(计算机和人类)进行交互。
现在您已经掌握了术语，让我们深入研究人工智能的示例及其工作方式。
8个人工智能的例子
以下列出了您每天可能会遇到的八个人工智能示例，但您可能没有意识到它们的AI方面。
1.谷歌地图和打车应用
地图应用程序如何知道确切的方向、最佳路线，甚至是道路障碍和交通堵塞呢?不久以前，只有GPS(基于卫星的导航系统)被用作出行的导航。但是现在，人工智能被纳入其中，让用户在特定的环境中获得更好的体验。
通过机器学习，app算法会记住建筑的边缘，在工作人员手动识别之后，这些边缘会被输入系统。这允许在地图上添加清晰的建筑视觉效果。另一个特点是识别和理解手写的门牌号的能力，这可以帮助通勤者找到他们想要的房子。没有正式街道标志的地方也可以用它们的轮廓或手写的标签来识别。
该应用程序已被教会理解和识别流量。因此，它推荐了避免路障和拥堵的最佳路线。基于AI的算法还告诉用户到达目的地的确切距离和时间，因为它被教导可以根据交通状况进行计算。用户还可以在到达目的地之前查看其位置的图片。
因此，通过采用类似的AI技术，各种乘车应用也已出现。因此，每当您通过在地图上定位您的位置来从应用程序预订出租车时，它都是这样工作的。
2.人脸检测与识别
当我们拍照时在脸上使用虚拟滤镜和使用人脸识别码解锁手机是人工智能的两个应用，现在已经成为我们日常生活的一部分。前者包含人脸检测，即识别任何人脸。后者使用人脸识别来识别特定的人脸。
这是如何运作的?
智能机器经常匹配，有时甚至超越的能力。人类婴儿开始识别面部特征，如眼睛、鼻子、嘴唇和脸型。但这并不是一张脸的全部。有太多的因素使人的脸与众不同。智能机器被教导识别面部坐标(x、y、w和h，它们在面部周围形成一个正方形作为感兴趣的区域)、地标(眼睛、鼻子等)和对齐(几何结构)。
人脸识别还被政府机构或机场用于监视和安全。例如，伦敦盖特威克机场(GatwickAirport)在允许乘客登机之前使用面部识别摄像头作为ID检查。
3.文本编辑器或自动更正
当您键入文档时，有一些内置或可下载的自动更正工具，可根据其复杂程度检查拼写错误、语法、可读性和剽窃。
在您流利使用英语之前，一定已经花了一段时间来学习语言。同样，人工智能算法还使用机器学习、深度学习和自然语言处理来识别语言的不正确用法并提出更正建议。
语言学家和计算机科学家一起工作，以教授机器语法，就像在学校一样。机器被提供了大量高质量的语言数据，这些数据以机器可以理解的方式进行组织。因此，即使您不正确地使用单个逗号，编辑器也会将其标记为红色并提示建议。
下次让语言编辑器检查文档时，请知道您使用的是人工智能的许多示例之一。
4.搜索和推荐算法
当您想看自己喜欢的电影或听歌或在网上购物时，您是否注意到建议的内容完全符合您的兴趣?这就是人工智能的功能。
这些智能推荐系统可从您的在线活动中了解您的行为和兴趣，并为您提供类似的内容。通过不断的培训，可以实现个性化的体验。数据在前端(从用户)收集，存储为大数据，并通过机器学习和深度学习进行分析。然后，它可以通过建议来预测您的喜好，而无需进行任何进一步的搜索。
同样，优化的搜索引擎体验是人工智能的另一个示例。通常，我们的热门搜索结果会找到我们想要的答案。怎么发生的?
向质量控制算法提供数据，以识别超越SEO垃圾内容的高质量内容。这有助于根据质量对搜索结果进行升序排列，以获得最佳用户体验。
由于搜索引擎由代码组成，因此自然语言处理技术可以帮助这些应用程序理解人类。实际上，他们还可以通过汇编排名靠前的搜索并预测他们开始键入的查询来预测人们要问的问题。
诸如语音搜索和图像搜索之类的新功能也不断被编程到机器中。如果要查找在商场播放的歌曲，只需将手机放在旁边，音乐识别应用程序就会在几秒钟内告诉您歌曲的内容。在丰富的歌曲数据库中进行筛选后，机器还将告诉您与该歌曲有关的所有详细信息。
5.聊天机器人
作为一个客服，回答问题可能会很费时。一个人工智能的解决方案是使用算法来训练机器，通过聊天机器人来迎合客户的需求。这使得机器能够回答常见问题，并接受和跟踪订单。
聊天机器人被教导通过自然语言处理(NLP)来模仿客户代表的对话风格。高级聊天机器人不再需要特定的输入格式(例如，是/否问题)。他们可以回答需要详细答复的复杂问题。实际上，它们只是人工智能的另一个例子，它们给人的印象是客户代表。
如果您对收到的答复的评价不佳，则机器人会识别出所犯的错误并在下次进行纠正，以确保最大的客户满意度。
6.数字助理
当我们全力以赴时，我们常常求助于数字助理来代表我们执行任务。当您单手开车喝咖啡时，您可能会要求助手给您的妈妈打电话。助理(例如Siri)将访问您的联系人，识别单词“Mom”并拨打电话。
Siri是一个较低层模型的示例，该模型只能在说话时做出响应，而不能给出复杂的答案。最新的数字助理精通人类语言，并集成了高级NLP和ML。他们了解复杂的命令输入并给出令人满意的输出。他们具有自适应能力，可以分析您的喜好、时间表和习惯。这使他们能够以提醒、提示和时间表的形式为您系统化、组织和计划事务。
7.社交媒体
社交媒体的出现为世界提供了一种新的叙事方式，提供了过度的言论自由。然而，这也带来了一些社会弊端，如网络犯罪、网络欺凌和仇恨言论。各种社交媒体应用程序都在使用人工智能的支持来控制这些问题，并为用户提供其他有趣的功能。
AI算法可以发现并迅速删除包含仇恨言论的帖子，速度远比人类快。通过他们以不同语言识别仇恨关键字，短语和符号的能力，这成为可能。这些已被输入到系统中，该系统具有向其词典添加新词的附加功能。深度学习的神经网络架构是该过程的重要组成部分。
表情符号已成为代表各种情感的最佳方式。AI技术也可以理解这种数字语言，因为它可以理解特定文本的含义并提示正确的表情符号作为预测文本的一部分。
社交媒体是人工智能的一个很好的例子，它也能够理解用户产生共鸣的内容并向他们建议相似的内容。面部识别功能还用于社交媒体帐户中，可帮助人们通过自动建议为朋友加标签。智能过滤器可以识别并自动清除垃圾邮件或不需要的邮件。智能回复是用户可以享受的另一个功能。
社交媒体行业的一些未来计划包括使用人工智能通过分析发布和消费的内容来识别心理健康问题，例如自杀倾向。这可以转发给心理健康医生。
8.电子支付
银行现在正在利用人工智能通过简化支付流程来便利客户。
通过观察用户的信用卡支出模式来检测欺诈的方式也是人工智能的一个示例。例如，算法知道用户X购买哪种产品，何时何地购买产品以及价格落在什么价格区间。当有一些不正常的活动不适合用户个人资料时，系统会立即提醒用户X。
总结
人工智能算法超越了人类的能力，可以节省时间，从而使科学家们可以将精力投入到其他更重要的发现中。
我们已经讨论过的人工智能示例不仅可以作为娱乐的来源，而且还提供了我们已变得如此依赖的无数实用程序。人工智能领域仍处于新生阶段，还有更多的发明将更精确地复制人类的能力。
人工智能常见算法简介
人工智能的三大基石—算法、数据和计算能力，算法作为其中之一，是非常重要的，那么人工智能都会涉及哪些算法呢？不同算法适用于哪些场景呢？
一、按照模型训练方式不同可以分为监督学习（SupervisedLearning），无监督学习（UnsupervisedLearning）、半监督学习（Semi-supervisedLearning）和强化学习（ReinforcementLearning）四大类。
常见的监督学习算法包含以下几类：（1）人工神经网络（ArtificialNeuralNetwork）类：反向传播（Backpropagation）、波尔兹曼机（BoltzmannMachine）、卷积神经网络（ConvolutionalNeuralNetwork）、Hopfield网络（hopfieldNetwork）、多层感知器（MultilyerPerceptron）、径向基函数网络（RadialBasisFunctionNetwork，RBFN）、受限波尔兹曼机（RestrictedBoltzmannMachine）、回归神经网络（RecurrentNeuralNetwork，RNN）、自组织映射（Self-organizingMap，SOM）、尖峰神经网络（SpikingNeuralNetwork）等。（2）贝叶斯类（Bayesin）：朴素贝叶斯（NaiveBayes）、高斯贝叶斯（GaussianNaiveBayes）、多项朴素贝叶斯（MultinomialNaiveBayes）、平均-依赖性评估（AveragedOne-DependenceEstimators，AODE）贝叶斯信念网络（BayesianBeliefNetwork，BBN）、贝叶斯网络（BayesianNetwork，BN）等。（3）决策树（DecisionTree）类：分类和回归树（ClassificationandRegressionTree，CART）、迭代Dichotomiser3（IterativeDichotomiser3，ID3）,C4.5算法（C4.5Algorithm）、C5.0算法（C5.0Algorithm）、卡方自动交互检测（Chi-squaredAutomaticInteractionDetection，CHAID）、决策残端（DecisionStump）、ID3算法（ID3Algorithm）、随机森林（RandomForest）、SLIQ（SupervisedLearninginQuest）等。（4）线性分类器（LinearClassifier）类：Fisher的线性判别（Fisher’sLinearDiscriminant）线性回归（LinearRegression）、逻辑回归（LogisticRegression）、多项逻辑回归（MultionmialLogisticRegression）、朴素贝叶斯分类器（NaiveBayesClassifier）、感知（Perception）、支持向量机（SupportVectorMachine）等。
常见的无监督学习类算法包括：（1）人工神经网络（ArtificialNeuralNetwork）类：生成对抗网络（GenerativeAdversarialNetworks，GAN），前馈神经网络（FeedforwardNeuralNetwork）、逻辑学习机（LogicLearningMachine）、自组织映射（Self-organizingMap）等。（2）关联规则学习（AssociationRuleLearning）类：先验算法（AprioriAlgorithm）、Eclat算法（EclatAlgorithm）、FP-Growth算法等。（3）分层聚类算法（HierarchicalClustering）：单连锁聚类（Single-linkageClustering），概念聚类（ConceptualClustering）等。（4）聚类分析（Clusteranalysis）：BIRCH算法、DBSCAN算法，期望最大化（Expectation-maximization，EM）、模糊聚类（FuzzyClustering）、K-means算法、K均值聚类（K-meansClustering）、K-medians聚类、均值漂移算法（Mean-shift）、OPTICS算法等。（5）异常检测（Anomalydetection）类：K最邻近（K-nearestNeighbor，KNN）算法，局部异常因子算法（LocalOutlierFactor，LOF）等。
常见的半监督学习类算法包含：生成模型（GenerativeModels）、低密度分离（Low-densitySeparation）、基于图形的方法（Graph-basedMethods）、联合训练（Co-training）等。
常见的强化学习类算法包含：Q学习（Q-learning）、状态-行动-奖励-状态-行动（State-Action-Reward-State-Action，SARSA）、DQN（DeepQNetwork）、策略梯度算法（PolicyGradients）、基于模型强化学习（ModelBasedRL）、时序差分学习（TemporalDifferentLearning）等。
常见的深度学习类算法包含：深度信念网络（DeepBeliefMachines）、深度卷积神经网络（DeepConvolutionalNeuralNetworks）、深度递归神经网络（DeepRecurrentNeuralNetwork）、分层时间记忆（HierarchicalTemporalMemory，HTM）、深度波尔兹曼机（DeepBoltzmannMachine，DBM）、栈式自动编码器（StackedAutoencoder）、生成对抗网络（GenerativeAdversarialNetworks）等。
二、按照解决任务的不同来分类，粗略可以分为二分类算法（Two-classClassification）、多分类算法（Multi-classClassification）、回归算法（Regression）、聚类算法（Clustering）和异常检测（AnomalyDetection）五种。1.二分类（Two-classClassification）（1）二分类支持向量机（Two-classSVM）：适用于数据特征较多、线性模型的场景。（2）二分类平均感知器（Two-classAveragePerceptron）：适用于训练时间短、线性模型的场景。（3）二分类逻辑回归（Two-classLogisticRegression）：适用于训练时间短、线性模型的场景。（4）二分类贝叶斯点机（Two-classBayesPointMachine）：适用于训练时间短、线性模型的场景。（5）二分类决策森林（Two-classDecisionForest）：适用于训练时间短、精准的场景。（6）二分类提升决策树（Two-classBoostedDecisionTree）：适用于训练时间短、精准度高、内存占用量大的场景（7）二分类决策丛林（Two-classDecisionJungle）：适用于训练时间短、精确度高、内存占用量小的场景。（8）二分类局部深度支持向量机（Two-classLocallyDeepSVM）：适用于数据特征较多的场景。（9）二分类神经网络（Two-classNeuralNetwork）：适用于精准度高、训练时间较长的场景。
解决多分类问题通常适用三种解决方案：第一种，从数据集和适用方法入手，利用二分类器解决多分类问题；第二种，直接使用具备多分类能力的多分类器；第三种，将二分类器改进成为多分类器今儿解决多分类问题。常用的算法：（1）多分类逻辑回归（MulticlassLogisticRegression）：适用训练时间短、线性模型的场景。（2）多分类神经网络（MulticlassNeuralNetwork）：适用于精准度高、训练时间较长的场景。（3）多分类决策森林（MulticlassDecisionForest）：适用于精准度高，训练时间短的场景。（4）多分类决策丛林（MulticlassDecisionJungle）：适用于精准度高，内存占用较小的场景。（5）“一对多”多分类（One-vs-allMulticlass）：取决于二分类器效果。
回归回归问题通常被用来预测具体的数值而非分类。除了返回的结果不同，其他方法与分类问题类似。我们将定量输出，或者连续变量预测称为回归；将定性输出，或者离散变量预测称为分类。长巾的算法有：（1）排序回归（OrdinalRegression）：适用于对数据进行分类排序的场景。（2）泊松回归（PoissionRegression）：适用于预测事件次数的场景。（3）快速森林分位数回归（FastForestQuantileRegression）：适用于预测分布的场景。（4）线性回归（LinearRegression）：适用于训练时间短、线性模型的场景。（5）贝叶斯线性回归（BayesianLinearRegression）：适用于线性模型，训练数据量较少的场景。（6）神经网络回归（NeuralNetworkRegression）：适用于精准度高、训练时间较长的场景。（7）决策森林回归（DecisionForestRegression）：适用于精准度高、训练时间短的场景。（8）提升决策树回归（BoostedDecisionTreeRegression）：适用于精确度高、训练时间短、内存占用较大的场景。
聚类聚类的目标是发现数据的潜在规律和结构。聚类通常被用做描述和衡量不同数据源间的相似性，并把数据源分类到不同的簇中。（1）层次聚类（HierarchicalClustering）：适用于训练时间短、大数据量的场景。（2）K-means算法：适用于精准度高、训练时间短的场景。（3）模糊聚类FCM算法（FuzzyC-means，FCM）：适用于精确度高、训练时间短的场景。（4）SOM神经网络（Self-organizingFeatureMap，SOM）：适用于运行时间较长的场景。异常检测异常检测是指对数据中存在的不正常或非典型的分体进行检测和标志，有时也称为偏差检测。异常检测看起来和监督学习问题非常相似，都是分类问题。都是对样本的标签进行预测和判断，但是实际上两者的区别非常大，因为异常检测中的正样本（异常点）非常小。常用的算法有：（1）一分类支持向量机（One-classSVM）：适用于数据特征较多的场景。（2）基于PCA的异常检测（PCA-basedAnomalyDetection）：适用于训练时间短的场景。
常见的迁移学习类算法包含：归纳式迁移学习（InductiveTransferLearning）、直推式迁移学习（TransductiveTransferLearning）、无监督式迁移学习（UnsupervisedTransferLearning）、传递式迁移学习（TransitiveTransferLearning）等。
算法的适用场景：需要考虑的因素有：（1）数据量的大小、数据质量和数据本身的特点（2）机器学习要解决的具体业务场景中问题的本质是什么？（3）可以接受的计算时间是什么？（4）算法精度要求有多高？
有了算法，有了被训练的数据（经过预处理过的数据），那么多次训练（考验计算能力的时候到了）后，经过模型评估和算法人员调参后，会获得训练模型。当新的数据输入后，那么我们的训练模型就会给出结果。业务要求的最基础的功能就算实现了。
互联网产品自动化运维是趋势，因为互联网需要快速响应的特性，决定了我们对问题要快速响应、快速修复。人工智能产品也不例外。AI+自动化运维是如何工作的呢？
参考：《人工智能产品经理–AI时代PM修炼手册》作者：张竞宇