計算機和機器不是憑著固有的知識或對事物工作原理的理解而進入這個世界的。像人類一樣，需要教導他們紅燈表示停止，綠燈表示消失。那么，這些機器實際上如何獲得執行駕駛或診斷疾病等任務所需的情報?
數據或泡沫破滅
有多種實現AI的方法，而對于它們來說，存在的全部就是數據。沒有高質量的數據，人工智能是一個空想。有兩種方法可以操縱數據(通過規則或機器學習)以實現AI，還有一些優秀實踐可以幫助您在這兩種方法之間進行選擇。
基于規則的系統
早在AI和機器學習(ML)成為高科技領域之外的主流術語之前，開發人員就將人類知識編碼為存儲在知識庫中的規則到計算機系統中。這些規則通常以“ If”語句的形式定義任務的各個方面(“如果A，則執行B，否則，如果X，則執行Y”)。
雖然必須編寫的規則數量取決于您希望系統處理的操作數量(例如，20個操作意味著手動編寫和編碼至少20條規則)，但是基于規則的系統通常工作量較小，成本較高-有效且風險較小，因為這些規則不會自行更改或更新。但是，規則可以通過只能執行其編寫內容的嚴格智能來限制AI功能。
機器學習系統
相比之下，雖然可以將基于規則的系統視為具有“固定的”智能，但是機器學習系統是自適應的，并試圖模擬人類的智能。仍然存在一層基礎規則，但是機器無需人工編寫固定集，而是能夠自行學習新規則，并丟棄不再起作用的規則。
在實踐中，機器可以通過多種方式學習，但是監督訓練(當向機器提供要訓練的數據時)通常是機器學習程序的第一步。最終，機器將能夠自行解釋，分類和執行帶有未標記數據或未知信息的其他任務。
從組織的AI策略開始：
人工智能的預期收益很高，因此公司在執行早期做出的決定對于成功至關重要。Foundational正在根據AI在實現的基本業務目標調整您的技術選擇。您要解決什么問題，或者要面對挑戰?
實施基于規則或機器學習系統的決定將對公司AI程序的發展和擴展產生長期影響。在評估哪種方法最適合您的組織時，請考慮以下比較合適的做法：
選擇基于規則的方法很有意義：
· 固定結果：當結果數量很少或固定時。例如，只有兩種狀態可以按下“添加到購物車”按鈕，無論是按下還是不按下。盡管可以使用機器學習來檢測用戶是否按下了按鈕，但是應用這種類型的方法沒有任何意義。
· 錯誤的風險：錯誤的懲罰過高，不會冒誤報的風險，因此，應僅執行100%準確的規則。
· 不為ML計劃：如果維護系統的人員不具備機器學習知識，并且企業沒有計劃繼續前進。
何時應用機器學習：
· 簡單規則不適用：當沒有容易定義的使用簡單規則解決任務的方法時
· 更改速度：當情況，方案和數據的更改速度快于不斷編寫新規則的能力時。
· 自然語言處理：要求理解語言或自然語言處理的任務。由于有無數種表達方式，因此即使不是完全不可能的話，為普通語言編寫規則也是不現實的。機器學習的天生，自適應智能針對規模進行了優化。
人工智能的承諾是真實的，但是對于許多組織而言，挑戰是從哪里開始。如果您屬于此類，請首先確定基于規則的方法還是ML方法最適合您的公司組織。
京公網安備 11010502049343號