人工智能系统（一）：概述
这是我参与11月更文挑战的第21天，活动详情查看：2021最后一次更文挑战
什么人工智能和人工智能系统人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。1956年由约翰.麦卡锡首次提出，当时的定义为“制造智能机器的科学与工程”。人工智能的目的就是让机器能够像人一样思考，让机器拥有智能。人工智能是计算机科学的一个分支。时至今日，人工智能已经扩展为一门交叉学科。
人工智能系统是集成了人工智能技术的系统，做到了信息智能处理，提高了企业的销售和管理能力。
因此，人工智能从实际应用上大致可分为两个主要的方向，即理论研究（算法、模型）和工程实践（编程实现、MLOps）。
人工智能的发展人工智能的产业生态•人工智能的四要素是数据、算法、算力、场景。要满足这四要素，我们需要将人工智能与云计算、大数据和物联网结合以智能整个社会。
人工智能相关技术及应用场景人工智能相关技术Al技术是多层面的，贯穿了应用、算法、工具链、器件、芯片、工艺和材料等技术层级。
目前人工智能主要的应用技术方向自然语言处理，它是利用计算机技术来理解并运用自然语言的学科。自然语言处理研究的主题主要包括机器翻译、文本挖掘和情感分析等。自然语言处理的技术难度高，技术成熟度较低。因为语义的复杂度高，仅靠目前基于大数据、并行计算的深度学习很难达到人类的理解层次。计算机视觉，它是研究如何让计算机“看”的科学。计算机视觉是三个AI应用技术中最成熟的技术。计算机视觉研究的主题主要包括图像分类，目标检测、图像分割、目标跟踪、文字识别等。语音处理，它是研究语音发声过程、语音信号的统计特性、语音识别、机器合成以及语音感知等各种处理技术的统称。语音处理研究的主题主要包括语音识别、语音合成、语音唤醒、声纹识别、音频事件检测等。其中最成熟的技术是语音识别，在安静室内、近场识别的前提下能达到96%的识别准确度。应用场景人工智能，正在一步步的改变世界，它拥有广泛的应用场景，如私人助理、监控检测、机器翻译、医疗诊断、游戏、艺术、图像识别、语音识别、自然语言处理、生成模型、强化学习、自动驾驶等，人工智能将会改变所有行业。
人工智能、机器学习、深度学习的关系人工智能：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法及应用系统的一门新的技术科学。机器学习：专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。是人工智能的核心研究领域之一。深度学习：源于人工神经网络的研究，多层感知器就是一种深度学习结构。深度学习是机器学习研究中的一个新的领域，它模仿人脑的机制来解释数据，例如图像，声音和文本。为什么人工智能、深度学习最近十年才取得成功最近十年才取得成功主要是由于高效的编程语言、算法优化、计算机体系结构改进、并行计算以及分布式系统的发展。
海量的（标识）数据互联网服务和大数据平台给深度学习带来了大量的数据集。
数据来源：
搜索引擎：对于图像搜索:如ImageNet，Coco等；对于文本搜索:维基百科(自然语言数据集)商业网站：如亚马逊，淘宝(推荐系统数据集,广告数据集)其他互联网服务：如siri，cortana对于图像分类问题来说，从最初的MNIST数据集到ImageNet，再到网站图像，数据规模越来越大。
深度学习算法的进步采用MNIST数据集，进行手写数字体识别来说：
一个简单的卷积神经网络方法可以等同于最好的SVM方法(1998年)深度卷积神经网络方法可以将错误率降低至0.23%（2012年），而人类为0.2%编程语言及计算框架的发展从硬件层面来看，从早起的线性代数库(CPU/GPU)，到之后的密集矩阵引擎(GPU)，再到后来专门的AI加速器（TPU），处理能力得到了很大的提升。
同时，从早期计算框架需要自定义想要的机器学习算法（Theano/DisBelif/Caffe），到后面的深度学习框架(MxNet/TensorFlow/CNTK/Pytorch)提供更简单的方法来利用各种库，计算框架也得到了十足的进步。
计算能力的提升从第一台通用计算机的诞生（eniac），到英特尔 Xeon(至强) X5，再到后面的GPU/TPU，计算能力不断攀升。
人工智能的面临的问题隐私问题：现有的人工智能算法都是数据驱动，我们需要大量的数据来训练模型。我们每天在享受人工智能带来的便捷的同时，例如Facebook，谷歌,亚马逊，阿里巴巴等科技公司在获取大量的用户数据。安全问题：例如，黑客利用人工智能技术、非法窃取私人信息或者模拟用户的行为并试图改变方法。可信度问题：随着计算机视觉的发展，图像及视频的可信度也越来越低。现在我们可以通过PS，GAN(生成对抗网络）等技术制作假图像，让人难分真伪。人工智能未来展望框架：更易用的开发框架。算法：性能更优，体积更小的算法模型算力：端-边-云全面发展的算力。数据：更完善的基础数据服务产业，更安全的数据共享。场景：不断突破的行业应用。总结总之，人工智能、深度学习近年来的十足进步来源于算法、数据、系统等多方面的突破。与此同时，系统面临得新问题也与新的应用问题和挑战相伴而生。
参考文档人工智能概述人工智能概览人工智能在服务优化方面优缺点有哪些
通过快速解析复杂的数据集并根据这些数据生成见解，人工智能可以帮助企业识别并采取行动，以简化其IT服务。
但这并不意味着人工智能可以优化每家企业的每项IT服务。IT团队将人工智能应用于其服务优化策略的程度存在重要限制。
人工智能对服务优化的好处在深入研究人工智能在服务优化领域可以做什么和不能做什么之前，让我们首先讨论一下为什么要使用人工智能来优化服务。
主要原因是服务优化通常需要分析大量数据，而人工智能可以让人类更快、更高效、更可扩展地执行这项工作。
考虑到这一点，假设想要简化企业内的IT流程。为此，可以让IT团队手动查看数据源，确定哪些类型的请求需要最长的时间才能完成，然后就如何加快这些流程提出建议。这是可行的，但需要很长时间，并且会严重干扰IT团队的注意力。
或者，可以部署一个人工智能工具，自动分析所有数据源，可以深入了解为什么某些请求需要很长时间才能完成，然后生成有关在何处以及如何优化服务的建议。这种方法将在人工收集相同见解所需时间的一小部分内产生结果。
人工智能可以帮助优化的IT服务我们可以将基于AI的服务优化方法，用于满足以下条件的几乎任何类型的IT流程：
拥有大量数据，人工智能工具可以对其进行分析，以了解流程的运作方式并找到改进流程的机会。 该过程不涉及需要情商才能完全理解的复杂的人际互动。许多核心IT服务都符合这两个要求。除了使用人工智能分析数据，以改进针对终端用户的IT服务的示例之外，其他适合人工智能优化的服务包括：
基础设施管理：人工智能可以分析日志、指标和其他基础设施数据，以了解企业的基础设施需求，并提供优化基础设施管理的指导。反过来，它可以帮助减少不必要的基础设施支出、规划硬件更新流程等。
网络管理：人工智能可以分析网络流量模式，帮助识别瓶颈或预测中断，从而为企业带来更好的网络性能。
软件开发：构建软件的企业可以利用人工智能来优化其软件交付流程，例如，预测冲刺应持续多长时间，或在每个发布周期中可以合理实施多少更改。人工智能工具可以通过分析CI/CD工具的日志，以及应用部署速度和频率等数据来实现这一点。
这样的例子不胜枚举，但重点很简单，几乎所有生成系统数据的IT服务，以及涉及技术资源或流程的IT服务，都可能在基于人工智能的洞察力的帮助下得到改进。
何时不使用人工智能进行服务优化当服务具有以下一个或多个特征时，它们通常不适合人工智能辅助优化：
与数据源无关时，无法通过分析数据的人工智能工具进行优化 需要道德决策时，人工智能通常无法处理这一点 涉及创造性的决策或构思无法产生全新的概念 需要情商或建立信任时，人工智能无法很好地执行这些任务 涉及适应非结构化或不可预测的环境，例如遭受前所未见的网络攻击的服务器。在这种情况下，人工智能的用处不大，因为它无法可靠地预测需要处理的条件。作为基于人工智能的服务优化不太可能产生价值的现实情况的一个例子，请考虑项目管理，可以自动化项目管理的某些方面，并且可以通过工具记录一些有关项目操作的数据。但这些数据仅代表有效项目的一部分。每个项目都有独特的要求，因此很难根据收集的过去项目数据来优化即将进行的项目。
另外，大多数项目都涉及人与人之间的广泛互动。它们还需要利益相关者之间的信任和问责。这些都是人工智能工具不擅长评估或优化的因素。
这意味着优化项目管理流程，需要的不仅仅是部署人工智能工具并查看其建议。您需要对每个项目的要求有细致入微的了解，以及如何建立信任和管理人际关系的知识。
与供应商谈判是使用人工智能很难简化的常见流程的另一个例子。与项目管理一样，谈判也涉及复杂的人为因素。尽管人工智能工具可能能够在谈判的某些方面提供帮助，例如帮助了解供应商定价趋势如何随时间变化，但它们无法准确说出如何与供应商互动，或确切要求哪些定价条款。他们也无法建立信任关系，而信任关系是灌输供应商兑现承诺的信心所必需的。
结论人工智能提供了巨大的潜力，可以使各种常见的IT和业务流程更快、更高效、更具可扩展性且成本更低。但了解人工智能作为服务优化解决方案的局限性非常重要。当冒险超越纯技术领域时，人工智能就不再是有用见解的来源，将需要人类做出人工智能无法做出的决定。