當人們被要求評估人工智能或機器學習的潛力以解決其組織的問題時，最好了解兩者之間的區別。

如今，人工智能和機器學習經常變得混雜在一起，人們很容易將這兩者誤認為是同義詞。這并不準確：雖然肯定是密切相關的，但實際上不能互換。

“人工智能與機器學習密切相關，所以這些術語的使用是松散且可互換的，這一點并不奇怪。”Very公司工程副總裁Bill Brock說。

如果組織還沒有使用人工智能或機器學習，那么很快就會需要評估其對組織的潛力。

Red Hat公司首席技術官辦公室人工智能高級總監Daniel Riek 表示，“作為工作負載的人工智能將成為IT戰略的主要驅動力。人工智能代表著IT行業的轉型發展：所有垂直行業的客戶越來越關注智能應用，以便通過人工智能為業務提供幫助。這適用于在軟件中實施的任何工作流程，這不僅適用于企業的傳統業務，還適用于研究、生產流程以及產品本身。通過人工智能實現的自動化程度的提高將迅速成為企業競爭力建設的關鍵因素，并將使人工智能成為一種戰略性技術。”

自然語言處理和其他支持人工智能的功能將幫助組織重新考慮客戶服務聊天和分析大量非結構化數據。這將實現更多的預測分析，提高效率，并增強決策能力。

那么人工智能和機器學習有什么區別?先從定義術語開始。

人工智能意味著什么

Brock說，“簡單地說，人工智能是機器能夠執行需要人工完成的任務。這涉及讓計算機訪問大量數據，并讓他們自己學習。”

機器學習是人工智能的一個具體應用或學科，但不是唯一的一個。Brock解釋說，“算法被輸入數據，并被要求在沒有特定編程的情況下進行處理。與人類一樣，機器學習算法可以從錯誤中吸取教訓，以提高性能。”

作為區分人工智能和機器學習的起點，將人工智能視為包含多個特定技術或學科的更高層次或傘形類比是很有幫助的，機器學習就是其中之一。

Amplify.ai公司首席執行官兼聯合創始人Mahi de Silva說。“人工智能包括各種領域的研究，包括機器學習、自然語言處理(NLP)、語音/音頻識別、計算機視覺/圖像識別、搜索、路由、自主機器人、自主運輸等學科。”

談到機器學習，SigOpt公司研究工程師Michael McCourt提出了一個類比：“機器學習就像是人工智能這把雨傘上的一個輻條，有著更具體的定義。”

可以回顧一下：McCourt注意到人工智能的定義是非常廣泛的，它就像一把雨傘，以至于如果要求一組10個人給出他們的定義，可能會得到10個不同的答案。“人工智能是一個沒有具體定義的總稱，因為它包含了所有模擬人類能力的機械、機器人和汽車任務。”McCourt說。

此外，人工智能的定義已經發生變化，并且會隨著時間的推移而不斷變化。McCourt指出，“二十年前，像拼寫檢查這樣的工具被認為是一種人工智能。而在十年前，人工智能意味著能夠對圖像進行分類。”

機器學習意味著什么

雖然機器學習技術和用途可能會發展，但其核心定義更加具體和細化。

“機器學習模型根據存儲的數據集和查詢生成結果，以學習特定模式，”McCourt說。如果之前沒有存儲答案，機器學習會分析環境，給出正確答案的最佳猜測。

Indico數據解決方案公司的首席執行官Tom Wilde指出，人工智能和機器學習被同時使用和混淆的原因非常普遍。

“混淆的原因是可以理解的：機器學習可以被認為是當前人工智能的最先進技術。”Wilde說。除此之外，他還補充說，機器學習是最古老和最成熟的人工智能學科之一。在企業用例方面，它也是最新的成果。

理解人工智能和機器學習之間的區別不僅僅是澄清術語的區別或減少那些不懂的非技術人員的煩惱。相反，它是人工智能項目成功的關鍵。

Brock說，“區分人工智能和機器學習很重要，因為這對于成功地設計、構建、開發和維護應用程序或平臺至關重要。”

這對組織的內部知識和人工智能技能的發展是正確的;對評估和選擇合適的供應商也是如此。

人們還記得每種產品突然在其名稱中添加了“云”這個詞的情景嗎?那么以后也可能在各種產品中看到人工智能和機器學習。

當心人工智能清洗產品

“雖然許多公司自稱使用人工智能，但實際上許多公司很少使用機器學習，而且大多使用基于規則的系統。人工智能與機器學習之間的混淆產生了一些重大問題。”SigOpt公司的McCourt說，“首先，它為人工智能和機器學習成功的實際情況創造了一個不斷變化的目標。其次，這種模糊性為企業聲稱他們正在使用機器學習技術提供了空間，而不用擔心他們會受到挑戰。”

這是一個巨大的缺陷，特別是考慮到如此多的組織才剛剛開始(如果有的話)識別他們潛在的人工智能機會。加上大量的宣傳炒作，缺乏對關鍵術語的理解使得很難正確評估選項。

Amplify.ai公司首席執行官de Silva指出，這并不是說人們應該忽視不同術語和技術之間的重疊和聯系;相反，只是不應該將這些重疊和聯系視為是相同的事情。人工智能所包含的各種學科，如機器學習、自然語言處理(NLP)和計算機視覺，在正確地結合使用時，可以產生放大效應。

他說：“重要的是要認識到，在這些研究和實施領域存在大量的交叉整合的機會，在這些領域，這些技術疊加起來將提供更多的實用性。”

只需確保組織清楚地看到不同的界限，以確保在當前和未來的人工智能項目中取得最大的成功幾率。目前，了解人工智能和機器學習之間的區別是一個很好的基礎。

Brock說，“對于首席信息官和IT決策者來說，熟悉概念，并與對概念及其應用有全面了解的團隊(包括內部員工以及第三方供應商和顧問)合作是很重要的。在接下來的兩年里，隨著許多機器學習項目進入生產階段，我們將看到機器學習項目的爆炸式增長，因此擁有適當的專業知識水平以確保這些項目的成功至關重要。”

什么是監督與無監督機器學習?

人們還要區分兩種類型的機器學習。“在用例方面，監督機器學習在這一點上是更常見的。這種類型的機器學習通過提供有關所需類別參數的信息來訓練機器，并讓算法決定如何對它們進行分類。”Brock解釋道。

Brock指出，另一方面，無監督機器學習不使用訓練數據。因此它更復雜，在這一點上已經用于更少的應用程序。但是如果聽到有人以可互換的方式地使用人工智能和機器學習，那么他們可能會考慮無人監督的機器學習，因為它不需要像監督機器學習一樣需要更多的(如果有的話)人類輸入和訓練。

Brock說，“無監督的機器學習是人工智能未來的促進因素。無人監督的機器學習已經被用于(或正在開發中)圖像識別、癌癥檢測、音樂合成、機器人導航、自動駕駛和許多其他創新等應用。”

關鍵詞： 人工智能 機器學習