人工智能的十大經典應用
本文將使用“算法”一詞來描述一個單一的算法、模型或軟件，并以一種高度簡化的方式使用多個算法。 在每個類別中，對數據輸入的類型，算法作為黑盒，輸出進行逐一討論（為了簡單起見，即使真正的算法不是黑盒，也暫時視為黑盒）。
因為這是一個高層次的概述，我鼓勵您深入研究感興趣的特定應用程序，并了解它們如何應用于行業或商業活動。 還有許多資源可用于學習所涉及的技術細節和具體算法。
預測是預測分析或預測建模的同義詞，它是基于標記的輸出數據判斷的過程，有時甚至是未標記的輸入數據。 在機器學習和人工智能中，預測分析可以進一步細分為回歸和分類。
1.回歸
圖1-1顯示了在回歸方法中輸入標記數據的過程，通過預測模型進行處理，然后從連續序列（如股票市場的封閉市場價格)生成值）。
人工智能的十大經典應用
▲圖1-1：回歸
該應用包括客戶的股票價值和凈利潤、收入及其增長預測、價格變化、信用違約風險和股票交易計算。
2.分類
分類是指將輸入的數據經過分類模型處理后，分類成一個或多個類的過程，如圖1-2所示。
人工智能的十大經典應用
▲圖1-2：分類
垃圾郵件過濾器是二進制分類應用程序的標準案例。 電子郵件是分類模型處理的輸入數據，輸出數據被確定為垃圾郵件或非垃圾郵件、非垃圾郵件郵件是指不包含垃圾郵件的好郵件。 垃圾郵件被發送到垃圾箱而不是收件箱。
如果引入第三類“不確定性”，分類器現在可以將傳入消息分為三類。 因為有兩個以上的類別，這就是多元分類的一個例子。 在本例中，電子郵件客戶端可能有“可疑垃圾郵件”文件夾，供用戶查看每條郵件并訓練分類器，以更好地區分垃圾郵件和非垃圾郵件。
如果要將輸入數據劃分為三個或三個以上的類，則算法可以為輸入數據選擇單個類別，或者計算輸入數據屬于每個類別的概率。 在后一種情況下，您可以使用概率最大的類別作為選擇的結果，或者使用所有類別的概率根據您自己的自定義規則進行處理。
最后，一些算法可以將多個標簽分配給同一個輸入。 下面是一個與圖像識別相關的例子。 假設輸入數據是紅蘋果的圖像，則該算法可以為圖像分配多個不同的標簽，如紅色、蘋果和水果。 將所有三個類別分配給圖像的情況是適當的。
申請包括信用風險，貸款審批和客戶周轉。 分類可以與本文后面討論的識別應用相結合。
推薦系統是一種基于現有信息的個性化推薦形式，其結果與每個用戶都非常相關。可用于提高客戶轉化率，銷售率，滿意率和留存率。 事實上，亞馬遜正在通過添加這些引擎來做生意收入增加35%，Netflix觀看節目增加75%也來自這一建議。
推薦系統是一種特殊的信息過濾系統。 個性化也可以通過用戶搜索、排名和評分來完成。 建議系統完成建議(例如。 產品、文章、音樂、電影)通過基于輸入數據（如商品或用戶）處理推薦模型或引擎，如圖2所示。
人工智能的十大經典應用
▲圖2：推薦系統
值得一提的是，推薦系統涉及“冷啟動問題“。 冷啟動意味著智能應用程序沒有足夠的信息為特定用戶或群體提供高度個性化和相關的建議。 例如，用戶尚未生成有關其偏好、興趣或購買歷史的信息。
另一個例子是當貨物(例如。 衣服，產品，視頻，歌曲)剛剛出來。一些技術幫助解決了這個問題，但由于空間限制，沒有深入討論。
推薦的系統應用程序包括推薦產品、視頻、音樂、歌曲、書籍和電視節目(例如。 亞馬遜，Netflix，Spotify)。 除了建議，它還包括個性化的內容，包括新聞、報告、電子郵件和有針對性的廣告(例如。 推特)。
其他案例包括個性化的醫療計劃、個性化的圖像和圖標(例如Youtube、Netflix、Yelp)、葡萄酒推薦、個性化購物（例如完美的夾克匹配），(例如。 縫合修復)，以及全套自動化建議。
計算機視覺是一個廣闊的領域，包括涉及圖像和視頻等視覺信息的模式識別（下一節將討論另一種技術）。 計算機視覺中的照片，靜止視頻圖像等一系列圖像（視頻）作為輸入，輸出由模型生成，如圖3所示。
人工智能的十大經典應用
▲圖3：計算機視覺
輸出可以是目標、特征或活動的識別、檢測和發現。 視覺相關應用意味著一定程度的自動化，特別是自動化視覺，通常需要人類參與應用程序(例如。 檢查)。 機器視覺一詞用于描述工業應用中類似或重疊的技術，如檢查、過程控制、測量和機器人。
計算機視覺有許多有趣而強大的應用，應用場景正在迅速增加。 例如，計算機視覺可用于以下場景：
無人駕駛飛機(UAV)通常被稱為無人機。通過應用計算機視覺，無人機能夠進行檢查（例如輸油管道、無線信號塔）、完成建筑物和區域搜索、幫助繪制地圖和交付貨物。 計算機視覺現在被廣泛應用于公共安全、安全和監視。 當然，這樣的申請也應該注重倫理，保護人們的利益。
計算機視覺還有最后一件事要提。 通過看，聞，聽，摸，聞五種感官，人類可以感知周圍的環境和世界。 感官捕獲信息，然后將其傳遞給神經系統進行轉換，并確定應該采取什么行動或反應。 計算機視覺是對特定人工智能應用視覺的類比。
人工智能的十大經典應用
▲圖4-1：模式識別
這些應用程序的輸入可以打包包括圖像（包括視頻——一系列靜止圖像）、音頻(例如。 演講，音樂和聲音)和文本。 案文可進一步細分為電子文本、手寫文本或印刷文本(例如。 紙，支票，車牌)。
圖像輸入的目的可能是檢測、識別、發現或所有三種。 人臉識別就是一個很好的例子。 訓練模型用于檢測圖像中的人臉，并對檢測到的目標進行分類和標記。 這是一個目標檢測的例子，其中目標是一個未識別的人臉。
“檢測”用于指與背景不同的對象。 它還包括目標位置的測量和檢測目標邊緣框架周圍的具體測量。 識別是指對檢測到的目標（在這種情況下，人臉）進行分類或標記的過程，它進一步并為識別的人臉分配一個標識。 圖4-2給出了圖像識別的一些情況。
▲圖4-2：圖像識別和檢測
像人臉識別這樣的生物識別技術可以用來自動給圖形中的人貼上標簽。 另一種生物識別形式是基于指紋。
其他申請包括：
音頻識別應用包括：
最后，手寫或打印文本可以通過光學字符識別(OCR)和手寫字符識別轉換為電子文檔。 文檔也可以轉換為語音，但這被認為比識別應用更有可能是人工智能的生成應用。 本文稍后將討論生成應用程序。
圖5所示的聚類和異常檢測是兩種最常見的無監督機器學習技術。 它們也被認為是模式識別技術。
人工智能的十大經典應用
圖5▲：聚類和異常檢測
聚類將類似的數據從無標簽的數據聚合成組。 具體組數由完成聚類任務的人員（通常是數據科學家）決定。 沒有絕對正確或錯誤的組，但對于特定的應用程序，理想的組數通常可以通過試錯來確定。
由于數據沒有標簽，聚類器必須為每個組指定一個特定的含義或標簽來清楚地描述（例如，運動狂）。 然后，該模型用于將新數據分配給一個組，假設該組的標簽或描述。 這個過程可以想象為某種形式的預測分類，即為每個新數據點分配一個類（通過分組標簽）。
聚類應用包括細分和關注市場和客戶，3D醫學圖像分析，根據購物習慣對產品進行分類，社交媒體分析?。
異常檢測是一種用于檢測異常數據（高度異常、偏離常規或畸形）模式的技術。 異常檢測應用包括基于音頻的缺陷和裂紋檢測、網絡安全、質量控制(例如。 制造缺陷檢測)，以及計算機和網絡系統的健康(例如。 美國宇航局缺陷和錯誤檢測)。
自然語言是人工智能發展和應用中一個非常有趣和令人興奮的領域。 通常分為三個子區域：自然語言處理(NLP)，自然語言生成(NLG)和自然語言理解(NLU)。 讓我們分開討論。
1. nlp
自然語言處理(NLP)語言輸入文本、語音或手寫形式，經過NLP算法處理后，輸出結構化數據，如圖6-1所示。現在有很多潛在的NLP場景和輸出。
人工智能的十大經典應用
▲圖6-1：NLP
值得一提的是，有時NLP也被認為是NLG和NLU的超集，因此人工智能自然語言應用一般可以被認為是NLP的一種形式。 它也被認為是一組特定的自然語言應用程序，我們正在討論的是它的一部分。
一個具體的NLP應用程序涉及公司會議的錄音，文本轉換，然后提供會議摘要，其中包括圍繞不同主題和會議性能(https://www.chorus.ai)進行分析)。
另一個應用程序使用NLP分析工作面試，并根據性別中立、語調和措辭給出總體評分。 它還為改進評級和總體職務說明提供優化建議。
其他申請包括：
許多云服務提供商現在通過NLP服務和API接口提供了其中的一些功能。
2. nlg
以結構化數據形式生成NLG輸入語言，經過NLG算法處理后，生成相應語言作為輸出，如圖6-2所示。 這種語言輸出可以是文本或文本轉換為語音的形式。 結構化輸入數據例子可以是運動員的統計數據、廣告效果或公司財務數據。
人工智能的十大經典應用
▲圖6-2：NLG
申請包括：
由AndreKapasi創建的模型可以自動生成Wikipedia文章，嬰兒姓名，數學論文，計算機代碼和莎士比亞的模型。 其他應用包括生成手寫文本，甚至創建笑話。
3. NLU
最后，NLU使用語言作為輸入（文本、語音或手寫）。 經過NLU算法的處理，可以理解的語言作為輸出產生，如圖6-3所示。 由此產生的可理解的語言可以用來采取行動，產生反應，回答問題，進行對話等。
人工智能的十大經典應用
▲圖6-3：NLU
必須指出，“理解”一詞可以是非常深刻和哲學的，涉及理解的概念。理解能力往往不僅是理解信息（與死記硬背相反），而且是將理解的信息與現有知識整合為一個不斷增長的知識庫。
缺乏與人類相似的語言理解和理解是當今基于自然語言的人工智能應用的一大缺陷。 其根源是機器很難獲得與人類相似的語言理解。 還記得之前關于人工智能現狀和人工智能問題的討論嗎？ 這是一個明確的證據。
在沒有全面的哲學討論的情況下，讓我們用“理解”一詞來表示算法（重申，大大簡化）可以在輸入語言上做更多的工作，而不僅僅是解析和執行簡單的任務，例如文本分析。 顯然，NLU比NLP和NLG（常見的人工智能問題）更難解決，實施常見的人工智能是NLU GI)的主要基本組成。
目前，NLU已經得到了改進，包括個人虛擬助理、聊天機器人、客戶成功（支持和服務）代理、銷售代理等。 這些應用程序通常包括某種形式的手寫內容或語音對話，通常圍繞信息收集、問題解決或一些有用的工具。
個人助理包括亞馬遜的Alexa、蘋果的Siri、谷歌的助理和Nuance的具體應用，聊天機器人的應用案例包括潤滑油專家、求職面試、學生貸款顧問和商業保險專家。 這是一個非常活躍的人工智能研究和潛在的發展空間，絕對值得關注。
在大多數情況下，數據是按順序收集的，因此數據的順序是極其重要的，由特定的指標決定。
最常見的數據序列指標是時間，稱為時間序列數據。股票的價格波動、DNA序列、物聯網傳感器數據以及日常交易期間的風向等科學現象是時間序列的很好的例子。
時間序列分析和建模可以用來學習、判斷和預測基于時間的事件，包括趨勢、季節變化、周期和噪聲。
對于某些應用程序，字母和單詞序列也是有效的序列數據，它們被標記為不同的序列數據，例如n-gram、skip-gram、句子、段落，甚至是語言本身，其中語言以語音、文字或電子方式表達。 此外，音頻和視頻也是序列數據。
申請包括：
人工智能的十大經典應用
許多強大的AI應用程序圍繞著信息的搜索、提取和排序（評分）。 這特別適用于非結構化和半結構化結構化數據，如文本文檔，網頁，圖片和視頻。
這些數據（有時由結構化數據補充）可用于提取信息，提供搜索或優化處理建議，并按相關性、重要性或優先級對條目進行排序或評分。 這組技術大多是個性化的，因為搜索結果和其他條目可以根據特定用戶或組的相關性大小進行排序或排序。
目前，許多搜索任務都是通過鍵盤輸入或語音提供給谷歌等搜索引擎，使用谷歌獨特的人工智能搜索算法。 電子商務應用程序也使用自己的引擎來搜索產品，搜索過程可以通過文本、聲音（語音）和視覺輸入來驅動。
文本搜索包括谷歌搜索、微軟Bing和分布式、透明和社區驅動的搜索。
基于聲音和圖像的搜索應用包括：
視頻搜索是基于圖像內容。購物應用程序早就采取了這種方法。 用戶將拍攝的照片提交到視頻搜索引擎。 然后，照片被用來生成類似的搜索結果，如服裝。 一些圖像引擎也可以直觀地顯示類似的其他產品和建議。
除分類技術外，排序和評分技術還包括以下應用：
增強學習(RL)與目前所描述的人工智能技術有很大的不同（簡要回顧前面提到的人類學習方法）。 其基本思想是讓一個代理在虛擬環境中為正回報行事。 每個動作都會引起環境狀態的變化，每個動作都是由一個稱為策略的模型決定的。 該政策試圖確定在給定狀態下應采取的最佳行動。
如果你暫時不明白，不要擔心；我會舉一個例子，希望能解釋得更清楚。 圖9生動地展示了強化學習。
人工智能十大經典應用和技術原理
▲圖9：強化學習
你可以考慮使用游戲“豆豆吃”(為什么是吃豆人女士，而不是女士。 Pac-Woman？)。 2例如。 比恩女士的目標是吃屏幕上所有的點，但更大的目標是從可能吃的點中得到最多的點。 為什么得分是最真實的目標？ 或者為什么玩這個游戲？
首先，分數越多，可以獲得的自由壽命越長，自由壽命越長可以發揮的時間越長，可以繼續積累更多的分數。 第二，如果你能完成游戲或創造世界紀錄，你就可以獲得正式的“吹噓權“。 誰不想要？
在這種情況下，分數是獎勵，吃豆的女士是代理，環境是屏幕，參與的人（玩家）是通過操縱游戲控制棒來決定采取行動的策略。
當然，環境是有狀態的。有一種普通的無法察覺的情況，那就是，當你吃著屏幕上的圓點和水果時，你必須避免追逐她的鬼魂，而且有一種無敵的情況。 也就是說，當吃無敵藥丸（我不知道它叫什么）時，她可以吃鬼，得到很多額外的分數。
環境狀態的變化和代理人在環境中的能力的變化決定了不可勝性和不可勝性。
值得一提的是，在人們玩“吃豆夫人”游戲的過程中，有時被屏幕目標的完成所驅動，盡可能地打開更多的層次，而不是得到最多的分數。 在這種情況下，人們只會用無敵狀態加速，吃盡可能多的不受阻礙的點，可能不會通過吃鬼得到最多的點。
假設你有強化學習應用，目標是得分最多。 在這種情況下，應用程序將嘗試學習如何做到這一點，即吃盡可能多的鬼和水果。
也是有一件事要提到，得分是一個積極的回報。 遭遇鬼死是一種消極的獎勵。 隨著時間的推移，加固應用程序應該盡量擴大分數，盡量減少生命損失。 雖然這個例子是建立在游戲場景中的，但我們可以在許多其他方面使用強化學習。
申請包括：
人工智能的十大經典應用
實際應用程序的最后一節確定了一些被歸類為混合或雜項的應用程序，因為它們涉及多種組合技術，或者不適合已經討論過的任何類別。
應用實例包括：
人工智能開發的另一個真正有趣的領域是生成應用程序，它基本上是指人工智能，它可以從特定類型的輸入為給定的應用程序生成一些東西。 包括以下例子：
其他應用程序包括樣式轉換(例如。普通形象轉換，再現梵高或畢加索風格的“藝術)。 還有一種稱為超分辨率成像的技術，它通過生成缺失的三維圖像數據，將二維圖像轉換為三維圖像。 最后，圖像自動著色是另一個有趣的人工智能應用。
作者：AlexCastrounis，InnoAchiTech的前首席執行官兼首席顧問，也是一名商業、分析和產品管理專家，Alex擁有近20年的創新經驗，并向數千人傳授了數據科學和高級分析的價值。
摘要編寫自人工智能戰略：一個更好的人類經驗和企業成功框架，出版的權威出版商。
人工智能的十大經典應用
擴展閱讀AI策略
建議：本書將探討人工智能項目推廣中的風險，關鍵考慮，權衡和可能存在的問題。 你將學會如何使用成功的人工智能 解決方案和以人為中心的產品，創造更好的人類體驗，幫助企業成功。