人工智能（AI）已經成為我們現代社會的重要組成部分。 據《福布斯》（Forbes）報道，兩年前，即2017年，已有51％的現代企業實施了AI，該行業本身的估值為160億美元。 據預測，這一指標將呈指數增長，到2025年將達到1900億美元。

通常，術語"人工智能"和"機器學習"是非系統性的，并且被認為是可互換的，但實際上，它們之間存在差異。

人工智能已經成為一種通用術語，可以表示幾件事，包括機器學習。 這使許多人將AI與獨立思考聯系在一起，這一事實引起了一些困惑。 然而，從機器學習的定義來看，這是一個人可以執行的動作，并且需要一定程度的智慧。 也許這些動作不需要高水平的情報，但是它們屬于AI的定義。

今天我們要談談這兩個術語之間的區別！

一點理論

什么是人工智能？

人工智能（AI）-各種技術和科學解決方案及方法，可幫助創建類似于人類智能的程序。 人工智能包括許多工具，算法和系統，其中也包括數據科學和機器學習的所有組件。

如今，幾乎所有使用數據的應用程序都使用了許多人工智能系統，例如管理軟件，推薦算法，媒體分析甚至語音助手。 實際上，即使是簡單的跟蹤應用程序現在也可以使用AI。 如實踐所示，如果有一個相當復雜的過程來完成必須定期執行而無需人工干預的任務，則很有可能包含AI。 通常，人工智能系統可以分為三類：

· 有限的人工智能（窄人工智能）

· 通用人工智能（AGI）

· 超級智能人工智能。

人工智能功能在所有領域都得到了廣泛的需求，特別是對于可以用于提供法律援助，專利檢索，風險交流和醫學研究的問答系統。 AI的其他用途如下：

· 衛生保健

· 零售

· 運動

· 行業

什么是機器學習？

機器學習是使用算法來分析數據，得出結論以及就某事進行決策或預測。 無需使用一組特殊的命令來手動創建程序來執行特定任務，而是使用大量數據來訓練機器，并且

使它能夠學習如何執行此任務的算法。 也就是說，機器可以找到復雜和多參數問題（人腦無法解決）的模式，從而找到更準確的答案。 結果，正確的預測。

因此，機器將使用大量數據和算法來"學習"機器，而不是使用用于執行特定任務的特定指令集進行手動編碼的例行程序，從而學習如何完成任務。

機器學習直接源于AI實踐，這些年來的算法方法包括學習決策樹，歸納邏輯編程，聚類，增益訓練和貝葉斯網絡。

機器學習僅存在一個子集-深度學習，在其中創建算法并與機器學習類似地操作，但是這些算法有很多層次，每個層次對所傳遞的數據提供不同的解釋。 這樣的算法網絡稱為人工神經網絡。 簡單來說，它類似于人腦中存在的神經連接。

AI和ML

在這里，我們準備了一個比較表，以顯示這兩個重要定義的鮮明特征：

總結一下

盡管人工智能和機器學習可以在許多常見應用中互換使用，但必須注意的是，機器學習具有一個非常鮮明的特征：適應性。 這意味著ML一直在學習。 與先前創建的AI不同，該系統可能會犯許多初始錯誤，但它旨在從中學習，從中構建錯誤，并最終使用所有這些錯誤來解決為其創建的任務。