人工智能即將到達您附近的數據中心，它可能會(huì )開(kāi)始執行人類(lèi)操作員花費大量時(shí)間做的許多任務(wù)。

但是，不要把這種不可避免的發(fā)展視為一種威脅，今天的IT工作者現在應該更好地學(xué)習AI的基礎知識，以便當它到達時(shí)它可以被用作一種工具來(lái)增強人類(lèi)對組織的價(jià)值，而不是取代它。

首先，有助于了解有許多不同類(lèi)型的AI可以提供各種功能。技術(shù)記者邁克爾科普蘭認為這項技術(shù)是一系列同心圓，人工智能是最外層的圈子，更專(zhuān)業(yè)的形式，如機器學(xué)習(ML)和深入學(xué)習。

不同之處在于每種形式的AI所展示的復雜程度以及它們旨在實(shí)現的特定功能。

人工智能簡(jiǎn)史

例如，人工智能的歷史可以追溯到20世紀50年代，但是這個(gè)十年早些時(shí)候才開(kāi)始以“狹窄的人工智能”的概念開(kāi)始聚集。這就是技術(shù)專(zhuān)注于完成圖像分類(lèi)和面部識別等特定任務(wù)但缺乏能力的地方。使用經(jīng)驗和其他數據輸入以人類(lèi)大腦的方式發(fā)展其過(guò)程。

為此，我們需要轉向機器學(xué)習，它使用算法來(lái)解析數據以對其環(huán)境進(jìn)行預測。使用ML，程序員不再需要對系統應該采取的每個(gè)動(dòng)作進(jìn)行手動(dòng)編碼，而是系統本身可以根據可用數據確定最佳行動(dòng)方案。然而，即使在這個(gè)階段，“智力”一詞的使用也非常松散，因為它仍然需要大量的人為輸入才能得出合理的結論。

這就是深度學(xué)習和神經(jīng)網(wǎng)絡(luò )的用武之地。與機器學(xué)習不同，這些技術(shù)試圖模仿人類(lèi)大腦的運作。使用高級分層，連接和數據傳播，他們以多種方式處理數據集，以產(chǎn)生給定結果的加權概率。由于這是一個(gè)非常繁重的計算工作量，因此在GPU和并行處理進(jìn)入主流之前，這種級別的AI保持在次要位置并不奇怪。

可用的平臺

嶄露頭角的AI程序員也應該熟悉市場(chǎng)上的領(lǐng)先平臺。雖然過(guò)多的解決方案日益擴大，但一些更基本的系統為那些已經(jīng)熟悉常見(jiàn)編程語(yǔ)言的人提供了相當容易的學(xué)習曲線(xiàn)。

Sitepoint.com列出了一些較為成熟的平臺，每個(gè)平臺都迎合了AI與數據驅動(dòng)流程交互的各種方式。也許最流行的是谷歌的TensorFlow和為Raspberry Pi入門(mén)級計算環(huán)境而構建的Melissa平臺。兩者都為AI編程提供了簡(jiǎn)單的入口，盡管Melissa需要更多的Python編程語(yǔ)言技能。

此外，還有像Wit.ai和Api.ai這樣的服務(wù)，它們利用語(yǔ)音識別將口頭命令轉換為文本。它們還使用稱(chēng)為“意圖”和“實(shí)體”的簡(jiǎn)單編程元素，這些元素用于定義要采取的動(dòng)作以及要采取行動(dòng)的設備和/或服務(wù)。通過(guò)這種方式，開(kāi)發(fā)人員可以指示AI引擎從驅動(dòng)器A中刪除數據并將其粘貼到驅動(dòng)器B.Wit和Api都有自己的意圖和實(shí)體模板集，因此大部分工作已經(jīng)完成。但是，除了iOS和Android之外，它們傾向于支持不同的編程語(yǔ)言，Wit傾向于Ruby，Python，C和Rust，以及支持Unity，C ++，Python和JavaScript的 Api 。

實(shí)踐完美

Kaggle首席技術(shù)官Ben Hamner表示，以傳統方式研究人工智能永遠不會(huì )受到傷害 - 學(xué)習課程，學(xué)習各種平臺的細微差別，研究過(guò)去的實(shí)踐 - 記住一系列不相關(guān)的事實(shí)只會(huì )帶你到目前為止。相反，更實(shí)際的方法是在工作日選擇一個(gè)特定問(wèn)題，并嘗試弄清楚智能自動(dòng)化系統如何能夠緩解它，如果不能完全解決它。

這比聽(tīng)起來(lái)要困難得多。理想的問(wèn)題必須有三個(gè)標準：

它必須涵蓋您個(gè)人感興趣的領(lǐng)域，

它必須使用非常適合解決問(wèn)題的現成數據集，以及

數據或相關(guān)子集必須舒適地放在一臺機器中。

一旦你確定了一個(gè)合適的問(wèn)題，Hamner就說(shuō)是時(shí)候做一個(gè)快速而骯臟的黑客 - 沒(méi)什么特別的，足以為基本問(wèn)題提供端到端的解決方案。這應該涵蓋諸如讀取數據，將其轉換為機器學(xué)習算法可以理解的內容，訓練基本模型，創(chuàng )建結果和評估性能等步驟。

一旦完成此功能基線(xiàn)，您可以隨時(shí)返回并改進(jìn)每個(gè)組件，可能通過(guò)檢查單個(gè)行并可視化分布以更好地理解結構和異常。在許多情況下，您會(huì )發(fā)現改進(jìn)數據清理和預處理步驟可以產(chǎn)生比優(yōu)化機器學(xué)習模型更好的結果。

它還有助于了解其他人目前正在做什么，然后公開(kāi)分享您的創(chuàng )作，以促進(jìn)進(jìn)一步發(fā)展。Google最近啟動(dòng)了一個(gè)名為AI Experiments的AI沙箱，它提供了開(kāi)源代碼和其他資源，可以幫助您入門(mén)，并展示人工智能在藝術(shù)，語(yǔ)言，音樂(lè )和其他學(xué)科方面的發(fā)展。除了TensorFlow和Cloud ML API之外，該網(wǎng)站還提供了DeepMind 3D游戲實(shí)驗室版本和一套用于在C ++中開(kāi)發(fā)機器學(xué)習工具的openFrameworks應用程序和腳本。

人工智能將為知識型員工帶來(lái)的最大變化，特別是IT，是消除構成工作日大部分的所有死記硬背，重復性任務(wù)。但不要搞錯，人工智能不會(huì )讓人類(lèi)多余，也不會(huì )讓人類(lèi)在機器完成所有工作的同時(shí)過(guò)上休閑生活。

在人工智能驅動(dòng)的經(jīng)濟中，人類(lèi)的大腦將會(huì )有很多，但這很大程度上包含了數學(xué)算法永遠無(wú)法掌握的創(chuàng )造性，直觀(guān)的項目。

人工智能作為合作伙伴，希望工作日變得更有趣，并為個(gè)人帶來(lái)回報，而他們服務(wù)的組織應該從人類(lèi)活動(dòng)和整體更高的生產(chǎn)力中看到更大的價(jià)值。