ADOBE REAL-TIME CDP
人工智慧與機器學習
人工智慧 (AI) 是機器模擬人類智慧的方式，通常將在沒有人干預情況下執行進階任務。機器學習 (ML) 模型使用規則型算法進行學習，無需其他編程。
因為 AI 與 ML 緊密相連，常常可互換使用，但是也有不同之處。組織須了解這兩項技術之間的細微差異，以投資合適的解決方案，這一點非常重要。
在本文中，我們將解釋何為 AI 和機器學習，他們之間的差異，他們如何協作，以及企業如何進行運用以獲取更高的效率。
探討此頁面各部分內容
何為人工智慧？
何為機器學習 (ML)
機器學習和 AI 之間的不同之處
AI 和機器學習如何協作
AI 與機器學習的優點
如何運用人工智慧和機器學習
人工智慧與機器學習的未來
何為人工智慧？
有了 AI，機器可以執行通常與智慧生物相關的任務。通常，「智慧」指的是人類和非人類（動物）進行推理的能力。但是，「人工」表示該智慧並非人為的，而是計算機生成的。
現實中，AI 是指機器進行人類般思考的能力。
雖然聽起來像科幻小說，AI 有望成為您日常生活的一部分。Siri 和 Alexa 之類的虛擬助理使用 AI 了解您的偏好，推薦相關結果。AI 推動的聊天機器人也可以讓購物者在任何時候都可獲取個人化協助。
但是，AI 不能自行生成這些見解。其通常需要一些形式的數據完成這些流程。此數據可以是輸入的訊息，語音命令或者圖像。
記住 AI 的幾種類型也很重要。組織使用一個或若干個類型的 AI 完成不同的任務。
弱 AI
弱 AI 是非常有局限的 AI 類型，專業化範圍窄。此類 AI 不能執行超出其定義限制的任務，因為其僅訓練為執行一個特定任務。
例如，數位語音助理和產品推薦引擎使用弱 AI。這類 AI 不能執行其專業功能之外的其他任務或功能。
普通 AI
普通 AI 有能力模仿人腦的學習方法。理論上，普通 AI 可以按人類的效率執行智能任務，但其能力仍舊需要進一步研究。
卓越 AI
卓越 AI 中，機器智慧水平已超過人類。在此層級，AI 執行任務能力超過人類。卓越 AI 當前僅是空想。
無論企業使用哪種類型的 AI，此技術依賴算法解釋數據，模擬人類智慧。這是 AI 區別于機器學習之處，後者使用提供的大量預先程式化的數據執行具體任務。
讓我們了解一下機器學習的基本原理。
何為機器學習 (ML)？
機器學習是人工智慧的一個分支，讓機器從過去的數據或經驗中吸取知識。他們不能透過明確編程來產生算法，實現同樣精確的結果。
例如，手機上的語音轉文字搜尋使用 ML 將所說語言翻譯成文字。在醫療界，醫生使用機器學習加快影像分析，在金融界，ML 快速完成欺詐檢測。
以下是三種類型的機器學習模型。
監管學習
此類型 ML 使用標記的訓練數據進行訓練。數據科學家使用非常清晰的描述型數據訓練模型。一旦訓練完成，此類型的機器學習模型可以將數據歸類，使用該資訊查看模式和趨勢。
鞏固學習
鞏固學習 ML 模型透過試錯學習。此模型將產生輸出，由數據科學家來提供輸出是否正確的回饋。這使得模型可以收集過去體驗的回饋，以確定執行任務的正確動作。
非監管學習
監管學習提供標記數據，而非監管學習與其不同，向 ML 算法提供無標記的數據集。這表明算法可以自行發現模式和群組，無需人的介入。
ML 模型可能複雜，但是這些算法對輸出的品質和用途有很大的影響。進一步了解機器學習模型的工作原理。
機器學習和 AI 之間的不同之處
因為 ML 是 AI 的子集，所以機器學習和 AI 密切相關。但是，ML 具有不同於 AI 的目标，所以一定不要將這兩項技術相混淆。
讓我們看一下 AI 和機器學習之間的主要不同之處。
了解 AI
藉助 AI，數據科學家建立了可以像人類一樣執行任務的智慧系統。AI 的目标是借助類似人类的智慧制作智能计算系统，可以在没有人的直接输入的情况下解决复杂的问题。
AI 得到廣泛應用，但是主要集中於最大化機遇和成功。因為 AI 更進階，它可以處理非結構化數據。這意味著數據科學家可以上傳未標記的數據集，仍舊得出有力的見解。
AI 的三種類型：弱 AI、普通 Ai、卓越 AI。
了解機器學習
機器學習的目標是允許機器從數據學習，使得他們可以產生精確的輸出。有了 ML 模型，數據科學家利用數據教會機器如何執行具體任務和產生精確的結果。
ML 的應用範圍有限，主要集中在精確性和模式識別。它不能理解非結構化數據，需要結構化或半結構化數據產生精確的輸出。
ML 的三種類型有監管學習、鞏固學習以及非監管學習。
AI 和機器學習如何協作
AI 和 ML 一起協作向現實世界任務提供創意解決方案。實際上，AI 系統是使用 ML 建立的。
雖然 AI 和 ML 屬於不同的概念，他們共同產生好的結果。
工作原理
機器學習沒有 AI 複雜，卻是 AI 系統的推動力量。AI 使用 ML 完成如下的任務：
- 數據準備： 這涉及選取和清理數據，並將數據轉變為 ML 算法可以使用的格式。
- 模型訓練： ML 算法用於建立模型，該模型可以基於輸入數據進行預測和制定決策。ML 算法透過識別模式和關係、調整參數來從數據「學習」，從而最大程度降低錯誤。此過程將重複若干次，直到持續獲取較高的精確水平。
- 模型部署 一旦訓練完模型，就可以將其部署到現實環境，根據新數據進行預測或分類，成為一種形式的人工智慧。
有些人認為 AI 和機器學習僅限於大公司，但是這些技術在日常生活中得到普遍應用。實際上，77% 的人使用 AI 助力的裝置或服務，只是大多數人並沒有意識到這一點。
深度學習是 ML 的子集。它使用具有三個或更多層的神經網路模擬人腦的學習能力。許多 AI 工具使用深度學習加快自動化，執行更高層次的任務。進一步了解深度學習如何不同於機器學習。
AI 與機器學習的優點
AI 和 ML 為企業提供更多機會來自動化任務，加快工作流程。AI 和 ML 共同提供以下好處：
- 更多數據輸入來源。 企業充斥著海量數據。AI 和 ML 讓組織可以收集和處理更多的數據輸入，而不是將其束之高閣。這將大規模自動利用數據。
- 更快、更好的決策制定。 AI 和 ML 讓組織可以大量利用更高品質的數據。實際上，這意味著企業可以從非結構化數據更頻繁地拉取數據驅動的見解。這將讓他們更靈活，並且更受數據驅動，從而提升企業的決策制定。
- 運營效率提升。 AI 和 ML 允許企業自動化繁重的任務，同時降低錯誤，讓企業效率更高，更節約成本。實際上，對於部分產業，AI 方法可以降低 50% 的錯誤，例如，零售業。
人工智慧和機器學習的應用
人類幾乎沒有真正了解 AI 和 ML 的功能。但是，這些技術已經越來越受到人們的青睞。實際上，35% 的組織在 2022 年使用了 AI，比 2021 年增加了 4%。
在 2023 年，在以下領域更多的企業使用人工智慧和機器學習：
- 客戶服務： 有了 AI 助力的聊天機器人，組織依賴 AI 和 ML 更快速、更精確地解決客戶咨詢。https://forethought.ai/blog/examples-of-ai-in-customer-service/他們還使用 Adobe Real-Time Customer Data Platform (CDP) 之類的解決方案，收集客戶的更深度見解，從而提供優質的服務。
- 銀行和金融：金融公司使用 AI 和 ML 解決從合規性到投資管理再到文件處理等一切實務。
- 客戶見解： 更多企業能夠透過 AI 驅動的見解個人化客戶體驗。例如，Spotify 和 Amazon 推薦引擎使用 AI 收集數據，自動打造個人化的體驗。
- 網路安全：IT 提供商增加對 AI 和 ML 的使用，來檢測和降低安全威脅，預防人為錯誤。
- 運輸：自動駕駛汽車和貨船僅僅是 AI 和 ML 簡化運輸的部分示例而已。
- 行銷策略： 行銷人員使用 Adobe Experience Platform 之類的解決方案產生 AI 驅動的即時客戶智慧，以增加個人化。
- 醫療保健業：AI 和 ML 協助醫療保健業提供商提高診斷準確性，透過虛擬助理提供個人化的護理，檢測欺詐。
人工智慧與機器學習的未來
展望未來，我們期待看到 AI 和 ML 的需求攀升。到 2029 年為止，AI 和 ML 產業的價值將超出 2090 億美元。
在未來，AI 除了建立超級個人化的消費體驗之外，還將變革醫藥和研究產業。例如，Adobe Real-Time CDP 透過人工智慧和機器學習產生見解和可行動步驟，從而擴充受眾。對管理 AI 和 ML 解決方案的 STEM 職位的需求也將增加。實際上，計算機和數據科學家的工作預計到 2031 年增長 21%。
顯而易見，正如我們所了解那樣，AI 和 ML 將繼續變革業務。此技術常常在後台運行，但是展望未來，其將有可能在我們的工作和日常生活中發揮更積極的作用。
您做好迎接 AI 發展的下一階段的準備工作嗎？了解機器學習如何助力 Adobe Sensei 以及所有 Adobe Experience Cloud 產品。
