如果有人问你对AI或人工智能的定义是什么，你会说什么？
人工智能是一个复杂的话题。因此，您可能会遇到几种定义。这是Google最准确的一个：
“能够执行通常需要人类智能的任务的计算机系统的理论和发展，例如视觉感知，语音识别，决策制定和语言之间的翻译。” {1}
图1.2。可以使用人工智能的例子。
在我自己的研讨会上，我试图保持简单，将AI定义为使用计算机来做通常需要人工智能的事情。然而，对于更详细和完整的定义，我个人喜欢这个来自在线出版的Quartz：
“人工智能是一种软件或具有学习机制的计算机程序。然后，它像人类一样利用这些知识在新的情况下做出决定。构建该软件的研究人员尝试编写可以读取图像，文本，视频或音频的代码，并从中学习一些东西。一旦机器学会了，这些知识就可以在其他地方使用。“ {2}
换句话说，我们可以说AI是机器使用算法从数据中学习的能力，并且使用已经学到的知识来做出像人类那样的决策。然而，与人类不同，AI驱动的机器不需要休息或休息，他们可以同时分析大量信息。对于执行与人类对应物相同任务的机器，错误率也明显较低。
本书旨在提供人工智能的开发和调整将为商业世界和整个社会开辟新的机遇和挑战的方式的实例。因此，您不会在此处找到有关AI技术方面的大量详细说明。但是，在本节结束时，如果您想深入了解人工智能的技术领域，您可以找到可以参考的资源列表。
计算机或软件程序可以学习和做出决策的想法特别重要，我们应该注意这一点，因为它们的流程随着时间的推移呈指数增长。由于这两项技能，AI系统现在可以完成许多曾经为人类保留的任务。
基于人工智能的技术已经被用于帮助人类在几乎每个生活领域中从显着改进和提高效率中受益。随着人工智能的发展不断发展，它将改变我们生活和工作的方式越来越多。
人工智能技术现在开始提供比以往任何时候都更能看到（计算机视觉），听到（语音识别）和理解（自然语言处理）的能力。图1.3很好地展示了这个概念。虽然所有这三种传感功能都很重要，但计算机视觉可能是最重要的，因为它为自动驾驶汽车，面部识别和强大的机器人技术提供了最有用的用例。
考虑一下你自己的工作。如何应用这三种AI技术中的一种或多种（计算机视觉，语音识别和自然语言处理）来帮助您更有效地执行工作？
图1.3。人工智能能够看到，听到和理解。
AI的另一个好处是它允许机器和机器人执行人类认为困难，无聊或危险的任务。反过来，这将使人类能够做一些曾经被认为不可能完成的事情。
AI技术的一个缺点是机器还能够执行目前需要人工接触的许多任务，这将极大地扰乱劳动力市场。人工智能也有可能引发政治权力斗争。我们将在本书的其他部分介绍这两个主题。
人工智能可以应用于几乎所有情况，并提供改变我们的经验，使事情更好，更有效的可能性。
以下是目前适用于AI的一些快速增长的技术应用程序：
•静态图像识别，分类和标记：这些工具有助于广泛的行业。
•算法交易策略绩效改进：这已经在金融领域以各种方式实施。
•高效，可扩展的患者数据处理： 这有助于提高患者护理的效率和效率。
•预测性维护：这是另一种广泛适用于不同行业的工具。
•物体检测和分类：这可以在自动驾驶汽车行业中看到，但也有可能在许多其他行业中使用。
•社交媒体上的内容分发：这主要是与社交媒体一起使用的营销工具，但也可用于提高对非营利组织的认识或将信息作为公共服务快速传播。
•防范网络安全威胁：这是在线发送和接收付款的银行和系统的重要工具。{3}
虽然上面的一些例子更具技术性，但很明显，AI会让我们更好地看到，听到和理解我们周围的世界。因为这曾经是一个独特的人类特征，人工智能将开辟一个全新的可能性世界。
人工智能将通过提供与我们生活中重要问题相关的建议和预测，从而影响我们的健康，福祉，教育，工作以及我们与他人互动的方式，从而使我们的生活更轻松。
它还将通过为寻求快速有效地理解和应用这些工具的公司提供竞争优势来改变我们的业务方式。
有时候，“人工智能”一词往往会吓跑人们。一位顶级人工智能专家Sebastian Thrun认为将其称为“数据科学”更好，这是一个不那么令人生畏的术语，这可能会增加公众的接受度。{4}
图1.4。人工智能，机器学习和深度学习。
机器学习
机器学习是人工智能的主要方法之一。简而言之，机器学习是计算机科学的一个方面，其中计算机或机器具有在没有明确编程的情况下学习的能力。典型的结果是在特定情况下的建议或预测。{5}
考虑一下20世纪80年代消费者可以使用的第一台个人电脑。这些机器被明确地编程为能够做某些事情。相比之下，由于机器学习，您将来使用的许多技术设备将获得经验和洞察力，从而能够为每个人提供个性化的用户体验。这方面的基本示例包括您在Facebook等社交媒体网站或Google搜索引擎结果中看到的个性化。
机器学习使用算法来学习数据模式。例如，电子邮件垃圾邮件过滤器使用机器学习来检测哪些电子邮件是垃圾邮件，然后将其与合法电子邮件分开。这是一个简单的例子，说明如何使用算法从数据模式中学习，并且获得的知识可用于做出决策。
下面的图1.5展示了可以使用的三种机器学习子集：监督学习，无监督学习和强化学习。
图1.5。机器学习的类型。
在监督学习中，算法使用已经标记或组织的数据。使用这种方法，人类输入需要能够提供反馈。
无监督学习实现了数据未提前标记或组织的算法。相反，必须在没有人为干预的情况下发现关系
{6}
最后，通过强化学习，算法能够从经验中学习。除了最大限度地奖励之外，他们没有明确的目标。{7}
深度学习
人工智能最强大，发展最快的应用之一是深度学习，这是机器学习的一个子领域。深度学习被用于解决以前被认为过于复杂的问题，并且通常涉及大量数据。
通过使用神经网络进行深度学习，神经网络分层识别数据中的复杂关系和模式。深度学习的应用需要庞大的数据集和强大的计算能力才能工作。深度学习目前正用于语音识别，自然语言处理，计算机视觉和车辆识别以用于驾驶员辅助。{8}
在Facebook上进行的翻译中可以看到这方面的一个例子。最近，Facebook透露，由于深入学习，他们每天可以进行大约45亿次翻译。{9} 这些往往是人们向其Facebook个人资料发布的状态更新等内容的简短翻译。Facebook AI工具能够自动将这些消息翻译成不同的语言。这将是非常昂贵的，需要庞大的团队才能提供相同的翻译，而无需深入学习。
为了更好地理解深度学习及其应用的技术方面，我推荐由深度学习领域的顶级专家Andrew Ng教授的在线课程。本课程可在deeplearning.ai找到。您还可以查看 deeplearningbook.org 了解更多信息。
我还建议至少参加一个与udacity.com或edx.org上提供的人工智能和机器学习相关的在线课程。
为了简单起见，在本书中我主要使用术语人工智能，虽然很多时候我可能在技术上意味着深度学习或机器学习。请记住，人工智能通常在整本书中以更一般的意义使用。