大多數人關注的是AI的一些成果性的東西，一些實際的用例。當然，還有霍金的“人工智能威脅論”。但透過外表去看這臺“機器”是如何“運轉”的，此處我們會談到需要去理解的四個基本要素：分類、分級、機器學習和協同過濾。

人工智能(AI)正席卷全球，目前已有很多創新用例，而且幾乎應用于所有行業。雖然說，要做出用智能機器人代替醫生這種聽起來就很科幻的東西，還有幾十年的路要走，但現在人工智能也正為各行各業的專家們，提供著決策與解決問題方面的幫助。也會為我們消費者提供一些非常便利的功能，比如聽歌識曲。

大多數人關注的是AI的一些成果性的東西，一些實際的用例。當然，還有霍金的“人工智能威脅論”。但對于我來說，我更喜歡透過外表去看這臺“機器”是如何“運轉”的，此處我們會談到需要去理解的四個基本要素：分類、分級、機器學習和協同過濾。

分類涉及到創建特定于待解決問題領域的度量(如金融、網絡)。分級包括確定數據與待解決問題的相關程度。機器學習涉及到異常檢測、群集、深度學習和線性回歸。協同過濾涉及到跨大數據集去尋找應用模型。

分類

AI需要大量與解決問題相關的數據，創建一個人工智能解決方案的第一步是創建一個我稱之為“設計意圖指標”，用于將問題進行分類。無論用戶試圖建立一個系統去幫助醫生診斷癌癥還是去幫助IT管理員診斷無線網絡問題，都需要定義度量，使問題被分解成一個一個的小塊。例如，在無線網絡中，關鍵指標是用戶連接時間、吞吐量、覆蓋面積和漫游。在癌癥診斷方面，關鍵指標則是白細胞計數、種族背景和X射線掃描。

分級

一旦用戶的待解決問題有了一個明確的分類，下一步就是對每個分類進行分級，幫助用戶走向可獲得有意義結論的方向。例如，在訓練人工智能系統時，用戶首先必須對問題屬于單純性文本還是雙關語進行分等，然后按時間、人、事或位置進行分等。在無線網絡中，一旦用戶知道問題的類別，就需要開始對導致問題出現的因素進行分等：關聯規則、認證、動態主機配置協議(DHCP)或其他的無線、有線和設備因素。

機器學習

現在的問題是將其劃分為元數據的特定領域塊，用戶需要將這些信息“喂給”神奇的、強大的計算機，讓其進行吞食及學習，也就是機器學習。機器學習領域有很多算法和技術，使用神經網絡的監督機器學習(即深度學習)現在已經成為最受歡迎的方法之一。神經網絡的概念現于1949年，隨著計算和存儲能力的增強，神經網絡已經開始被訓練用以解決各種實際問題，從圖像識別到自然語言處理再到網絡性能預測。其他的應用包括異常特性發現、時間序列異常檢測和事件關聯根本原因分析。

協同過濾

大多數人在線上視頻網站看視頻或電商平臺購物的時候，都會體驗到協同性的過濾，并收到他們可能喜歡的電影或商品的推薦。除了推薦，協同過濾還被用來對大量數據進行排序，并在人工智能解決方案的制定上落下最后一筆。在這一過程中，所有的數據收集和分析都變成了有意義的見解和行動。無論是在游戲中，還是對醫生、網絡管理員，協同過濾都是能夠提供高可信度答案的手段。它就像一個虛擬助手，能夠幫助你解決各種復雜的問題。

人工智能仍然是一個新興的領域，但它的影響是深遠的，也會越發強烈，因為它會慢慢成為我們生活的一部分。選擇一個人工智能解決方案，其實和選購汽車很相似，我們不僅要看車的外形，還要了解引擎蓋下面那些真正能夠代表車的性能的東西。這樣，我們才能知道這輛車是否能達到我們的需求。