人工智能(AI)已經(jīng)存在幾十年了。然而，最近隨著“大數(shù)據(jù)”的出現(xiàn)，它得到了越來越多的關(guān)注。維基百科對人工智能的釋義如下:

在計(jì)算機(jī)科學(xué)中，人工智能研究的領(lǐng)域?qū)⒆约憾x為“智能代理AI和大數(shù)據(jù)：完美結(jié)合”的研究：任何設(shè)備都能感知到它的環(huán)境，并采取一些行為最大化其在一些目標(biāo)上獲得成功的機(jī)會(huì)。

而將大數(shù)據(jù)描述如下:

“大數(shù)據(jù)是如此的龐大或者復(fù)雜，以至于傳統(tǒng)的數(shù)據(jù)處理應(yīng)用軟件不足以處理它們。”

計(jì)算機(jī)已經(jīng)變得如此強(qiáng)大，以至于我們現(xiàn)在有能力在每秒存儲(chǔ)數(shù)百萬條的數(shù)據(jù)記錄。不幸的是，分析數(shù)據(jù)的能力可能是一個(gè)瓶頸，繼續(xù)使用傳統(tǒng)的方法并不可取。

人工智能和大數(shù)據(jù)：完美結(jié)合

那么，大數(shù)據(jù)為什么會(huì)引起對人工智能的關(guān)注呢?答案很簡單，人工智能可以用傳統(tǒng)人類無法處理的方式來處理大數(shù)據(jù)集。

以銀行應(yīng)用程序?yàn)槔?。該?yīng)用程序每秒鐘的數(shù)據(jù)流以百萬級來記錄，我們希望它在異?；顒?dòng)發(fā)生時(shí)發(fā)出警報(bào)，例如欺詐或者盜竊等行為。遇到這種情況，人們也許不太可能完整地去處理和分析這一數(shù)據(jù)量，而是選擇一個(gè)小片段，一秒一秒的處理。即使有數(shù)以百計(jì)的人在分析欺詐可能性的情況下，如此大量的數(shù)據(jù)也會(huì)降低決策能力。

那么對于傳統(tǒng)的數(shù)據(jù)處理系統(tǒng)呢?問題是，它們僅僅是算法，必然會(huì)束縛那些相同的邏輯。當(dāng)尋找異常的時(shí)候，靈活性是必需的，但傳統(tǒng)的方法并不擅長。

現(xiàn)在我們進(jìn)入人工智能。這些系統(tǒng)運(yùn)行起來具有模糊性。他們預(yù)測，會(huì)考慮一條路徑，但是如果新數(shù)據(jù)否定了一個(gè)推理思路，那么就可以放棄它了，然后開始尋找一個(gè)新的方向。由于在給人工智能系統(tǒng)提供更多數(shù)據(jù)時(shí)它會(huì)變得更聰明，因此這非常適合于識(shí)別隨時(shí)間變化的異常。

現(xiàn)在讓我們來看看一些大數(shù)據(jù)應(yīng)用的人工智能技術(shù)。

應(yīng)用于大數(shù)據(jù)的人工智能技術(shù)

外推

外推是在原始觀測范圍之外，根據(jù)變量與其它變量的關(guān)系來評估變量的值的過程。我們假設(shè)一些數(shù)據(jù)呈現(xiàn)出一種趨勢，公司高管想知道：如果這種趨勢持續(xù)下去，三個(gè)月后公司將會(huì)發(fā)展到什么情況?外推法可以做到。請記住，并非所有的趨勢都是線性的。線性趨勢很簡單;一個(gè)簡單的直線圖就足夠了。非線性的趨勢需要更多地參與，這就是外推函數(shù)有用處的地方。這些算法是基于多項(xiàng)式、圓錐曲線或曲線方程的。

異常檢測

異常檢測也被稱為異常值檢測。它包括標(biāo)識(shí)不符合預(yù)期模式的識(shí)別數(shù)據(jù)項(xiàng)、事件或觀測，或數(shù)據(jù)集中的其它項(xiàng)。異常檢測可以識(shí)別諸如銀行欺詐(先前提到的AI的應(yīng)用)之類的事件。它也適用于幾個(gè)其它領(lǐng)域，包括(但不限于)：故障檢測、系統(tǒng)健康監(jiān)測、傳感器網(wǎng)絡(luò)和生態(tài)系統(tǒng)干擾。

貝葉斯原理

在概率論和數(shù)理統(tǒng)計(jì)學(xué)之中，貝葉斯原理描述了一個(gè)事件的概率，它是基于與事件相關(guān)的條件前驗(yàn)知識(shí)。這是基于先前事件來預(yù)測未來的一種方式。假設(shè)一個(gè)公司希望知道哪些客戶有流失的風(fēng)險(xiǎn)。使用貝葉斯方法，可以收集滿意度不足的客戶的歷史數(shù)據(jù)，并用于預(yù)測以后有可能流失的客戶。這是一個(gè)非常適合應(yīng)用大數(shù)據(jù)的例子，因?yàn)楦嗟臍v史數(shù)據(jù)被饋送到貝葉斯算法里，其預(yù)測結(jié)果變得更準(zhǔn)確。

自動(dòng)化計(jì)算密集型人類行為

在某些情況下，人類有可能分析大量的數(shù)據(jù)，但隨著時(shí)間的推移，這很繁瑣，就需要人工智能來幫忙。基于規(guī)則的系統(tǒng)可以用來從人類這里提取、存儲(chǔ)和操縱知識(shí)，以便以有用的方式來解釋數(shù)據(jù)。在實(shí)踐中，規(guī)則是從人類經(jīng)驗(yàn)中產(chǎn)生出來的，并表示為一組“如果-那么”的語句，它們使用一組斷言，在這些斷言上面創(chuàng)建如何對其采取行動(dòng)的規(guī)則?；谝?guī)則的系統(tǒng)可以用來創(chuàng)建軟件來代替人類專家提供問題的答案。這些系統(tǒng)也可以稱為專家系統(tǒng)。考慮一個(gè)公司，它有一個(gè)能為特定目標(biāo)分析數(shù)據(jù)的人類專家，但是，這項(xiàng)任務(wù)比較單調(diào)乏味。基于規(guī)則的系統(tǒng)可以捕獲和自動(dòng)操作這種專門技能。

圖形原理

在數(shù)學(xué)中，圖形原理是用來模擬對象之間成對關(guān)系的數(shù)學(xué)結(jié)構(gòu)的研究。在此上下文中的圖形由頂點(diǎn)、節(jié)點(diǎn)或由邊、圓弧和線段連接的點(diǎn)組成，并且可以相當(dāng)復(fù)雜和龐大。利用圖形原理，可以很容易地了解數(shù)據(jù)之間的關(guān)系。例如，考慮一個(gè)復(fù)雜的計(jì)算機(jī)網(wǎng)絡(luò)。圖形原理可以提供一些見解，以了解網(wǎng)絡(luò)中的瓶頸如何導(dǎo)致其它問題以及某一特殊瓶頸的根本原因。

模式識(shí)別

顧名思義，模式識(shí)別用于檢測數(shù)據(jù)中的模式和規(guī)律，它是機(jī)器學(xué)習(xí)的一種形式。模式識(shí)別系統(tǒng)利用數(shù)據(jù)訓(xùn)練的過程被稱為監(jiān)督學(xué)習(xí)。它們還可以被用來發(fā)現(xiàn)以前未知的數(shù)據(jù)模式，這個(gè)過程稱為無監(jiān)督學(xué)習(xí)。與基于單個(gè)數(shù)據(jù)類型的潛在異常的異常檢測方法不同，模式識(shí)別可以發(fā)現(xiàn)以前在多個(gè)數(shù)據(jù)片中未知的模式，并考慮數(shù)據(jù)之間的模式(或關(guān)系)。一個(gè)公司(包括任何行業(yè))可能都有興趣知道什么時(shí)候發(fā)生了不尋常的事情，比如如果消費(fèi)者突然開始購買一種與另一種一起購買的商品。這種模式可能是一個(gè)企業(yè)所感興趣的。

總之，人工智能是一種在大數(shù)據(jù)世界中指引方向和收集規(guī)律的方法。