人工智能概述

人工智能 (AI) 是模拟人类智能行为的技术。它用于创建计算机或系统中的软件，旨在感知环境、作出决策并采取动作。构建成功的 AI 系统时，需要了解整个工作流，而不仅仅是训练 AI 模型。

AI 的工作原理

说到人工智能，这一术语的涵义十分广泛。随着越来越多的工程师将 AI 融入各种应用中，其相关性也在不断增加。例如，自动驾驶汽车、机器人和自然语言处理就是最新的一些应用。这些应用实现人工智能的方式将有所不同，但采用的底层技术毫无二致，即用于创建可以作出决策的系统的深度学习或机器学习模型。

针对您的人工智能应用选择深度学习算法还是机器学习算法，取决于您的系统的目标和要求。

您可以根据具体应用、所处理的数据大小以及要解决的问题类型来选择各种方法和模型。机器学习和深度学习都有各自独特的优势：

传统的机器学习方法支持训练各种分类器，例如支持向量机 (SVM) 和决策树。机器学习方法还可用于优化特征提取。您可以通过组合不同方法来确定数据的最佳排列方式。

深度学习是机器学习的一种特殊形式，用于自动从数据中提取相关特征。相比经典机器学习模型，深度学习网络通常具有更强的预测能力，并且随着训练数据规模的增大，其准确度也会提高。

不妨尝试各种机器学习算法，以找到最适合您的模型的算法。

无论您选择的是机器学习还是深度学习，您都需要能够尝试各种算法，然后决定哪种算法最适合您的应用和需求。

稳健可靠的人工智能工作流包含了解您的数据、创建模型，以及设计和测试要运行模型的最终系统。以下各节介绍了将人工智能融入工作时需要考虑的 AI 重要概念。

数据是大多数人工智能应用的核心。在开展 AI 相关的工作时，您很可能需要花费大量时间来获取原始数据，并利用其构建准确而有意义的模型。数据准备需要领域专业知识来了解数据的关键特征，哪些特征不重要，以及要考虑哪些罕见事件。

数据准备和获取标注数据通常既繁琐又耗时。该过程可能包括用合成数据和更多样本来增强数据集，但工程师应考虑通过自动执行标注来更快地获取干净的标注数据。

成功构建 AI 模型的两个关键因素如下：

选择一组算法：您关注的是机器学习还是深度学习？如果您能从一整套算法和预置模型入手，则意味着您已经先人一步，因为您充分利用了人工智能界丰硕的工作成果，而不用从零开始。
对模型进行迭代：在这个阶段，您需要确定最佳参数集，以获得最稳健、最准确的模型。创建准确的模型需要花费一定时间。幸运的是，增加更多硬件（例如在一个或多个 GPU 上运行）可以显著缩短使用参数、输入数据和层的各种组合来训练模型的时间。