本文全面介紹了人工智能（AI）的工作原理，包括其定義、組成部分以及如何逐步構(gòu)建和運(yùn)用AI系統(tǒng)。文章從數(shù)據(jù)收集、預(yù)處理、模型選擇、訓(xùn)練、測(cè)試評(píng)估、優(yōu)化、部署到持續(xù)學(xué)習(xí)等各個(gè)環(huán)節(jié)，詳細(xì)闡述了AI的工作流程，旨在幫助讀者更好地理解AI技術(shù)及其應(yīng)用，希望對(duì)你有所幫助。
人工智能 (AI) 是一項(xiàng)不斷發(fā)展的技術(shù)，旨在模仿人類智能。它幫助計(jì)算機(jī)學(xué)習(xí)如何像人腦一樣推理、學(xué)習(xí)和解決問(wèn)題。
從醫(yī)療保健到金融等行業(yè)正在實(shí)施人工智能技術(shù)，對(duì)我們的生活產(chǎn)生有意義的積極影響。人工智能在自動(dòng)駕駛汽車和個(gè)人助理等領(lǐng)域具有進(jìn)步的潛力，可能會(huì)推動(dòng)科學(xué)突破，增強(qiáng)醫(yī)療掃描能力，并實(shí)現(xiàn)準(zhǔn)確的面部識(shí)別。
隨著人工智能研究的加速以及人工智能的應(yīng)用在商業(yè)和個(gè)人生活中發(fā)揮越來(lái)越大的作用，了解人工智能的工作原理以及如何使用它比以往任何時(shí)候都更加重要。
本文全面概述了人工智能，包括其組件以及其工作原理的逐步介紹！什么是人工智能？
人工智能是計(jì)算機(jī)科學(xué)的一個(gè)領(lǐng)域，試圖模擬人類的思維方式。您將數(shù)據(jù)源中的信息提供給人工智能系統(tǒng)，讓人工智能處理它，并創(chuàng)建使用輸入數(shù)據(jù)作為參考的經(jīng)過(guò)訓(xùn)練的模型。
擁有的數(shù)據(jù)越多，人工智能系統(tǒng)就能學(xué)得越好。
然而，并非所有人工智能系統(tǒng)都需要大數(shù)據(jù)源。您可以使用不同的技術(shù)訓(xùn)練一些具有較小數(shù)據(jù)集的模型，例如強(qiáng)化學(xué)習(xí)（一種機(jī)器學(xué)習(xí)技術(shù)，我們接下來(lái)討論）。
完成后，您可以向 AI 提出問(wèn)題，讓它根據(jù)學(xué)到的知識(shí)進(jìn)行估計(jì)并采取行動(dòng)。但人工智能響應(yīng)的程度和準(zhǔn)確性主要取決于訓(xùn)練數(shù)據(jù)的質(zhì)量和算法。
您可以通過(guò)多種方式使用 AI 解決方案，包括：
聊天機(jī)器人。人工智能機(jī)器人利用業(yè)務(wù)數(shù)據(jù)進(jìn)行訓(xùn)練，以便與人類聊天并使用人類語(yǔ)言實(shí)時(shí)回答問(wèn)題。虛擬助理。Amazon Alexa、Apple Siri 和 Google Assistant 等人工智能工具在日常生活中為消費(fèi)者提供幫助。生成式人工智能。 編寫人工智能工具（例如OpenAI 的ChatGPT）、圖像工具（例如Midjourney）以及語(yǔ)音工具（例如ElevenLabs）可以根據(jù)輸入生成不同形式的媒體。語(yǔ)音識(shí)別。語(yǔ)音識(shí)別工具根據(jù)音頻輸入確定說(shuō)話者是誰(shuí)以及他們所說(shuō)的內(nèi)容。搜索引擎。搜索工具通過(guò)創(chuàng)造更好的用戶體驗(yàn)并實(shí)時(shí)生成結(jié)果來(lái)改進(jìn)信息收集過(guò)程。
機(jī)器學(xué)習(xí)：人工智能的基礎(chǔ)
機(jī)器學(xué)習(xí)(ML) 是人工智能系統(tǒng)學(xué)習(xí)的基矗您提供給機(jī)器學(xué)習(xí)工具的數(shù)據(jù)可幫助人工智能創(chuàng)建數(shù)據(jù)集，以學(xué)習(xí)如何做出決策和預(yù)測(cè)，而無(wú)需進(jìn)行編程來(lái)執(zhí)行特定任務(wù)。
然而，雖然機(jī)器學(xué)習(xí)允許人工智能系統(tǒng)從數(shù)據(jù)中學(xué)習(xí)，但它們?nèi)匀恍枰幊毯退惴▉?lái)處理數(shù)據(jù)并生成有意義的見(jiàn)解。
機(jī)器學(xué)習(xí)的工作原理是為工具提供大量數(shù)據(jù)。然后，您可以處理該數(shù)據(jù)以創(chuàng)建可用于處理人工智能任務(wù)的數(shù)學(xué)模型。從本質(zhì)上講，它允許人工智能應(yīng)用程序像人類一樣執(zhí)行任務(wù)。
圖像分類就是一個(gè)很好的例子。假設(shè)您想訓(xùn)練人工智能識(shí)別貓。
您可以向機(jī)器學(xué)習(xí)系統(tǒng)提供貓圖像并將它們標(biāo)記為貓。然后，系統(tǒng)會(huì)從您提供的內(nèi)容中學(xué)習(xí)，并在訓(xùn)練完成后識(shí)別您提供的任何貓圖片。
神經(jīng)網(wǎng)絡(luò)：人工智能的構(gòu)建模塊
神經(jīng)網(wǎng)絡(luò)是一種機(jī)器學(xué)習(xí)算法，它提供了處理基于人工智能模型創(chuàng)建的信息的工具。它們由相互連接的節(jié)點(diǎn)（或人工神經(jīng)元）組成。
這些節(jié)點(diǎn)根據(jù)進(jìn)入神經(jīng)網(wǎng)絡(luò)的信息進(jìn)行調(diào)整。這使得神經(jīng)網(wǎng)絡(luò)能夠發(fā)現(xiàn)數(shù)據(jù)中的關(guān)系和模式。
節(jié)點(diǎn)分為幾層，每層都有自己的功能：
輸入層接收數(shù)據(jù)。隱藏層處理數(shù)據(jù)。輸出層產(chǎn)生結(jié)果。
深度學(xué)習(xí)是一種具有多個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)，因此它可以學(xué)習(xí)數(shù)據(jù)中更復(fù)雜的關(guān)系。然后，數(shù)據(jù)科學(xué)家可以使用不同的格式（文本、音頻、視頻和圖像）優(yōu)化這些層，以提高準(zhǔn)確性，但他們還需要更多的培訓(xùn)才能工作。數(shù)據(jù)：人工智能的燃料
數(shù)據(jù)是人工智能系統(tǒng)的“燃料”。如果沒(méi)有大量數(shù)據(jù)集來(lái)訓(xùn)練人工智能模型，人工智能就不會(huì)具有任何功能。
好的人工智能訓(xùn)練數(shù)據(jù)具有幾個(gè)特征，包括：
資料齊全，無(wú)遺漏與AI系統(tǒng)功能一致準(zhǔn)確，無(wú)錯(cuò)誤數(shù)據(jù)最新，沒(méi)有過(guò)時(shí)的信息
您使用多種類型的數(shù)據(jù)來(lái)訓(xùn)練人工智能系統(tǒng)，分為三類：結(jié)構(gòu)化、非結(jié)構(gòu)化和半結(jié)構(gòu)化。
結(jié)構(gòu)化數(shù)據(jù)具有預(yù)定義的格式。想想日期、地址、信用卡號(hào)碼、數(shù)字系列和其他標(biāo)準(zhǔn)輸入方法。輸入人工智能系統(tǒng)的每條數(shù)據(jù)都會(huì)有一個(gè)標(biāo)準(zhǔn)格式。
非結(jié)構(gòu)化數(shù)據(jù)缺乏任何特定信息。輸入非結(jié)構(gòu)化文本、圖像、視頻和圖像，讓 AI 找到數(shù)據(jù)中的模式。人工智能可以使用自然語(yǔ)言處理（NLP）、計(jì)算機(jī)視覺(jué)和其他方法來(lái)處理信息。
如果沒(méi)有預(yù)定義的模型，您可以使用半結(jié)構(gòu)化數(shù)據(jù)。此數(shù)據(jù)使用 JSON、XML 和 CSV 等文件格式。走這條路將為您帶來(lái)非結(jié)構(gòu)化數(shù)據(jù)源的好處以及輕松存儲(chǔ)訓(xùn)練數(shù)據(jù)的能力。
算法：人工智能的問(wèn)題解決者
算法是人工智能的支柱。它們是告訴人工智能如何學(xué)習(xí)、改進(jìn)決策和解決問(wèn)題的數(shù)學(xué)程序。算法將原始數(shù)據(jù)轉(zhuǎn)化為您每天可以使用的見(jiàn)解。
人工智能程序中使用的流行算法包括：
線性回歸。根據(jù)輸入和輸出的數(shù)學(xué)關(guān)系進(jìn)行預(yù)測(cè)。決策樹(shù)。基于數(shù)據(jù)屬性的模型決策。K-均值聚類。創(chuàng)建數(shù)據(jù)集群并找到每個(gè)集群的中心以根據(jù)輸入識(shí)別模式。
這些算法的工作原理是獲取您輸入的數(shù)據(jù)并將其輸入到算法中。您提供的高質(zhì)量數(shù)據(jù)越多，算法就越容易找到模式并將其轉(zhuǎn)化為可行的見(jiàn)解！
人工智能如何逐步運(yùn)作
既然您了解了人工智能是什么，您可能想知道如何在實(shí)踐中使用它。本節(jié)將引導(dǎo)您逐步完成構(gòu)建人工智能系統(tǒng)的過(guò)程。
人工智能流程：數(shù)據(jù)采集數(shù)據(jù)預(yù)處理選型訓(xùn)練模型測(cè)試與評(píng)估模型優(yōu)化部署持續(xù)學(xué)習(xí)
1. 數(shù)據(jù)收集
數(shù)據(jù)收集是開(kāi)發(fā)人工智能系統(tǒng)最關(guān)鍵的部分之一。這是收集大量數(shù)據(jù)來(lái)訓(xùn)練人工智能系統(tǒng)的過(guò)程。
您的訓(xùn)練數(shù)據(jù)可以是任何格式：文本、數(shù)字、圖像、視頻或音頻。數(shù)據(jù)的格式取決于您使用的是結(jié)構(gòu)化數(shù)據(jù)集還是非結(jié)構(gòu)化數(shù)據(jù)集。
讓我們以查看社交媒體帖子對(duì)品牌的情緒為例。從社交媒體收集大量數(shù)據(jù)集并對(duì)這些帖子的情緒進(jìn)行分類。它們是積極的、消極的還是中性的？
將這些結(jié)果放入 CSV 文件中以進(jìn)行訓(xùn)練。完成后，您可以確定您的品牌在網(wǎng)上的情感。
2. 數(shù)據(jù)預(yù)處理
您不應(yīng)該只輸入找到的數(shù)據(jù)。人工智能系統(tǒng)需要準(zhǔn)確、最新且相關(guān)的信息才能獲得最佳結(jié)果。如果不預(yù)處理數(shù)據(jù)，就無(wú)法保證這種情況會(huì)發(fā)生，尤其是當(dāng)您擁有大量數(shù)據(jù)時(shí)。
噪聲去除（也稱為數(shù)據(jù)平滑）是一項(xiàng)重要過(guò)程。這意味著查找并刪除任何損害學(xué)習(xí)過(guò)程的數(shù)據(jù)并修復(fù)任何結(jié)構(gòu)化數(shù)據(jù)的格式。
以正在接受財(cái)務(wù)分析訓(xùn)練的人工智能模型為例。查看您的訓(xùn)練數(shù)據(jù)（例如股票價(jià)格和利率），以查找任何格式不正確的值。包含或刪除美元符號(hào)，確保小數(shù)位于正確的位置，并刪除任何其他異常情況。
3、模型選擇
模型選擇是人工智能開(kāi)發(fā)過(guò)程中的一個(gè)步驟，您可以在其中選擇最適合當(dāng)前問(wèn)題的人工智能模型。許多人工智能模型都可用，包括機(jī)器學(xué)習(xí)算法、深度神經(jīng)網(wǎng)絡(luò)或使用各種技術(shù)的混合模型。
除了不同類型的人工智能算法之外，還可以使用多種類型的機(jī)器學(xué)習(xí)：
監(jiān)督學(xué)習(xí)。依靠人工標(biāo)記的數(shù)據(jù)來(lái)學(xué)習(xí)和獲取知識(shí)。
無(wú)監(jiān)督學(xué)習(xí)。依靠未標(biāo)記的數(shù)據(jù)和學(xué)習(xí)模式來(lái)獲取知識(shí)。
強(qiáng)化學(xué)習(xí)。依靠人工智能與環(huán)境的交互來(lái)從錯(cuò)誤中學(xué)習(xí)并獲取知識(shí)。
深度學(xué)習(xí)模型可以通過(guò)多層轉(zhuǎn)換數(shù)據(jù)。它適合更復(fù)雜的任務(wù)。
您選擇的模型將取決于幾個(gè)因素，包括：
您擁有的數(shù)據(jù)量等待訓(xùn)練的時(shí)間您的總資源您擁有的數(shù)據(jù)類型您的總預(yù)算
4. 訓(xùn)練模型
當(dāng)您預(yù)處理數(shù)據(jù)并選擇模型時(shí)，就進(jìn)入了訓(xùn)練階段。
在此階段中，您將把數(shù)據(jù)分為兩組：訓(xùn)練集和驗(yàn)證集。訓(xùn)練集是您用來(lái)訓(xùn)練模型的數(shù)據(jù)集，驗(yàn)證（測(cè)試）集可幫助您了解模型的訓(xùn)練情況。
您選擇的模型將開(kāi)始讀取您的數(shù)據(jù)集，使用數(shù)學(xué)和計(jì)算模型來(lái)查看數(shù)據(jù)模式并創(chuàng)建輸出模型以幫助其做出未來(lái)預(yù)測(cè)。
這所需的時(shí)間取決于您擁有的訓(xùn)練數(shù)據(jù)量以及您計(jì)劃訓(xùn)練的模型有多大。層數(shù)越多，花費(fèi)的時(shí)間就越長(zhǎng)，使用的資源也就越多。
5. 測(cè)試與評(píng)估
您不應(yīng)該僅僅指望 AI 模型在完成訓(xùn)練后就處于生產(chǎn)狀態(tài)。根據(jù)數(shù)據(jù)集的質(zhì)量以及您在預(yù)處理方面的工作表現(xiàn)，最終模型可能不會(huì)給出很好的結(jié)果。
這就是您創(chuàng)建的單獨(dú)驗(yàn)證數(shù)據(jù)集可以發(fā)揮作用的地方。您的驗(yàn)證數(shù)據(jù)集包含輸入和放入 AI 應(yīng)用程序后的預(yù)期輸出。
驗(yàn)證 AI 模型時(shí)，您需要進(jìn)行多次測(cè)量。準(zhǔn)確度（正確預(yù)測(cè)的百分比）、精確度（實(shí)際為正的預(yù)測(cè)的百分比）和召回率（正確識(shí)別的案例的百分比）是最常見(jiàn)的。
以下幾種情況可能會(huì)出現(xiàn)問(wèn)題：
數(shù)據(jù)不佳。不準(zhǔn)確的數(shù)據(jù)意味著您的模型無(wú)法產(chǎn)生良好的結(jié)果。
欠擬合。AI模型過(guò)于簡(jiǎn)單，無(wú)法捕捉數(shù)據(jù)模式。
偏見(jiàn)。這些數(shù)據(jù)傾向于一個(gè)方向，并且趨勢(shì)與人類的偏見(jiàn)相同。
6. 模型優(yōu)化
模型優(yōu)化是提高 AI 模型性能的過(guò)程。這可能意味著微調(diào)或修改模型參數(shù)并使用正則化技術(shù)。
微調(diào)意味著優(yōu)化模型的參數(shù)。您可以更改神經(jīng)網(wǎng)絡(luò)的權(quán)重或用于調(diào)整模型的 AI 算法。
調(diào)整模型的架構(gòu)意味著在神經(jīng)網(wǎng)絡(luò)中添加和刪除層，以改變層之間的連接并更好地捕獲數(shù)據(jù)的復(fù)雜性。
正則化技術(shù)有助于防止過(guò)度擬合，當(dāng)模型在經(jīng)過(guò)訓(xùn)練的數(shù)據(jù)（而不是未見(jiàn)的數(shù)據(jù)）上表現(xiàn)良好時(shí)，這非常有用。正則化使人工智能更容易泛化并提供更準(zhǔn)確的結(jié)果。
7. 部署
部署是完成 AI 模型訓(xùn)練和優(yōu)化后模型開(kāi)發(fā)生命周期的最后階段。這是將模型集成到現(xiàn)有系統(tǒng)或構(gòu)建新計(jì)算機(jī)程序來(lái)使用模型的過(guò)程。
例如，假設(shè)您有一個(gè)新的人工智能模型想要用于財(cái)務(wù)預(yù)測(cè)。您擁有一家產(chǎn)品業(yè)務(wù)，并希望了解未來(lái)的銷售額。
您將把模型與當(dāng)前的計(jì)算機(jī)系統(tǒng)聯(lián)系起來(lái)，以獲取銷售數(shù)據(jù)、財(cái)務(wù)和其他相關(guān)信息。作為回報(bào)，該模型會(huì)生成報(bào)告，估算您未來(lái)可以預(yù)期的銷售額和收入。
8.持續(xù)學(xué)習(xí)
人工智能模型不是一次性訓(xùn)練的東西。您必須定期根據(jù)新信息訓(xùn)練模型，以繼續(xù)看到準(zhǔn)確的輸出。
您可以通過(guò)幾種方式來(lái)做到這一點(diǎn)。首先是微調(diào)您的基礎(chǔ)模型。您可以根據(jù)初始訓(xùn)練數(shù)據(jù)生成基礎(chǔ)模型，并根據(jù)新數(shù)據(jù)微調(diào)該模型。這為您的人工智能模型提供了更新的數(shù)據(jù)，以做出更準(zhǔn)確的預(yù)測(cè)。
更新人工智能模型的另一種方法是通過(guò)強(qiáng)化學(xué)習(xí)人類反饋（RLHF）。通過(guò)此過(guò)程，您將監(jiān)控人工智能系統(tǒng)的反饋并對(duì)其進(jìn)行評(píng)分。然后，系統(tǒng)會(huì)了解自己做錯(cuò)了什么，并利用該反饋在未來(lái)提供更好的結(jié)果。概括
如您所見(jiàn)，訓(xùn)練人工智能系統(tǒng)需要幾個(gè)步驟。
數(shù)據(jù)采集。收集供您使用的相關(guān)數(shù)據(jù)，并將其傳遞給培訓(xùn)程序以告知人工智能。數(shù)據(jù)預(yù)處理。檢查數(shù)據(jù)集以刪除錯(cuò)誤數(shù)據(jù)、修復(fù)格式并確保信息保持更新。模型選擇。選擇最適合您需求的 AI 模型。模型訓(xùn)練。將您的訓(xùn)練數(shù)據(jù)提供給 AI 模型進(jìn)行訓(xùn)練。模型測(cè)試。使用測(cè)試數(shù)據(jù)集確保您的模型產(chǎn)生準(zhǔn)確的結(jié)果。模型優(yōu)化。對(duì)模型進(jìn)行更改以改進(jìn)結(jié)果和性能。部署。將新的人工智能模型與當(dāng)前系統(tǒng)集成。
持續(xù)學(xué)習(xí)。不斷根據(jù)新信息更新您的人工智能模型，以保持其相關(guān)性并產(chǎn)生良好的結(jié)果。
然而，這只是一個(gè)示例過(guò)程。并非所有人工智能系統(tǒng)都是相同的，因此您可能需要更改此流程以滿足您的獨(dú)特需求。
題圖來(lái)自Unsplash，基于 CC0 協(xié)議。
