AI（人工智能）是研究開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。具體到應用來說，每一個人工智能解決方案都建立在四個基礎之上，還沒搞清楚？來看看我們的快速指南吧！

毋庸置疑，人工智能正在席卷整個世界，層出不窮的創新應用正實踐于所有行業和領域。正如電影中描述的那樣，人類使用人工智能機器人代替醫生已經有幾十年的時間，上至各行各業的專家，下到普通消費者，人工智能正在幫助我們更快的診斷和解決問題，比如進行精密的手術，比如用語音命令播放一首歌曲。

大眾只注意到人工智能帶來的益處，而對于專業人士來說，有四個概念必須要了解：分類方法、類別、機器學習和協同過濾。這四個支柱也代表了分析過程中的步驟。分類方法涉及創建特定問題域的度量（例如財務、網絡）。類別涉及哪些數據與所需解決的問題最為相關。機器學習包括異常檢測、聚類、深度學習和線性回歸。協作過濾涉及在大型數據集上尋找模式。

分類方法

人工智能需要大量與所解決問題相關的數據。創建人工智能解決方案的第一步是創建"設計意圖的指標"，它用于對問題進行分類。用戶是否試圖構建一個能起到關鍵作用的系統，幫助醫生診斷癌癥或者幫助IT管理員診斷無線問題，用戶需要定義允許問題分解的度量標準。例如，在無線網絡中，關鍵指標是用戶連接時間、吞吐量、覆蓋率和漫游。在癌癥診斷中，關鍵指標是白細胞計數、種族背景和X射線掃描。

類別

一旦用戶將問題分類到不同的區域，下一步就是進行細分，以便將用戶指向有意義的結論。例如，當人工智能系統處理關鍵性問題時，用戶必須先將具體問題以文字形式寫出，然后按時間、人物、地點來分類。在無線網絡中，一旦用戶知道問題的類別（例如前或后連接問題），用戶就需要開始分類導致問題的原因：關聯、認證、動態主機配置協議（DHCP），或其他無線、有線和設備因素。

機器學習

現在這個問題被劃分到特定領域的元數據塊中，用戶可以將這些信息輸入到機器學習這個神奇而強大的世界中。有許多機器學習算法和技術，帶有監督的機器學習使用神經網絡（即深度學習）來實現，現在已經成為最流行的方法之一。神經網絡的概念從1949年開始，筆者曾經在上世紀80年代建立了我的第一個神經網絡。但是隨著計算機技術的革新和存儲能力的增強，神經網絡被開發來解決各種實際問題，從圖像識別到自然語言處理，以此來預測網絡性能。其他應用還包括異常特征發現，時間序列異常和事件深度分析。

協同過濾

大多數人體驗合作過濾時，他們選擇在Netflix看電影或者在Amazon購物，同時獲取一些影片推介或者購買建議。除了推薦系統，協同過濾也用來解決大型數據集和人臉識別。這就是所有數據收集和分析變成有意義的洞察力或行動的地方。無論是在游戲節目中，還是在醫生或網絡管理員中使用，協作過濾都是以高度自信的方式提供答案的手段。它就像一個虛擬助手，幫助解決復雜的問題。

人工智能仍然具有很大的開發空間，它的影響深遠之處在于，在我們未來的日常生活中，人工智能將占據相當大的份額。就如同我們購買汽車之前，需要了解到引擎蓋之下的內容，以確保我們選購到真正適合自己的好產品一樣。