人工智能与机器学习之间有什么区别?


AI 与机器学习之间有什么区别?

人工智能 (AI) 是一个总称,指的是使机器更像人类的各种策略和技术。人工智能涵盖范围非常广,例如 Alexa 这样的智能助手,以及机器人吸尘器和自动驾驶汽车。机器学习 (ML) 是 AI 的许多其他分支之一。机器学习是一门开发算法和统计模型的科学,计算机系统使用这些算法和模型,在没有明确指令的情况下执行复杂的任务。相反,系统依赖模式和推理。计算机系统使用机器学习算法来处理大量历史数据,并识别数据模式。虽然机器学习是 AI,但并非所有 AI 活动都是机器学习。

阅读有关人工智能(AI)的信息 »

阅读有关机器学习(ML)的信息 »

AI 与机器学习之间有什么相似之处?

机器学习 (ML) 是人工智能 (AI) 的一个狭义分支。但是,这两个领域都超出了基本的自动化和编程范围,而是基于复杂的数据分析生成输出。

像人一样解决问题

人工智能和机器学习 (AI/ML) 解决方案适用于复杂的任务,这些任务通常涉及基于所学知识的精确结果。

例如,自动驾驶的 AI 汽车使用计算机视觉识别其视野中的物体,并通过了解的交通法规来导航车辆。

例如,房地产定价机器学习算法应用有关先前销售价格、市场状况、平面图和位置的知识来预测房屋的价格。

计算机科学领域

人工智能和机器学习是计算机科学的领域,专注于创建能够以复杂方式分析、解释和理解数据的软件。这些领域的科学家试图对计算机系统进行编程,以执行涉及自学的复杂任务。精心设计的软件将以与人一样快或比人更快的速度完成任务。

跨行业应用程序

AI 在所有行业都有应用。您可以使用 AI 来优化供应链、预测体育赛果、改善农业成果,并提供个性化护肤建议。

机器学习的应用也很广泛。可能包括预测性机械维护计划、动态差旅定价、保险欺诈检测和零售需求预测。 

主要区别:AI 与机器学习

机器学习 (ML) 是人工智能 (AI) 的一个特定分支。与 AI 相比,机器学习的范围和重点有限。AI 还包括一些机器学习范围之外的策略和技术。

以下是两者之间的一些关键区别。

目标

任何 AI 系统的目标都是让机器高效地完成复杂的人类任务。此类任务可能涉及学习、解决问题和模式识别。

另一方面,机器学习的目标是让机器分析大量数据。机器将使用统计模型来识别数据中的模式并生成结果。结果具有相关的正确概率或可信度。

方法

AI 领域包括用于解决各种问题的各种方法。这些方法包括遗传算法、神经网络、深度学习、搜索算法、基于规则的系统和机器学习本身。

在机器学习中,方法分为两大类:有监督学习和无监督学习。有监督机器学习算法使用标有 inputoutput 的数据值来解决问题。无监督学习更具探索性,它试图在未标记的数据中发现隐藏的模式。 

实施

构建机器学习解决方案的过程通常涉及两项任务:

  1. 选择并准备训练数据集
  2. 选择先前存在的机器学习策略或模型,例如线性回归或决策树

数据科学家选择重要的数据特征并将其输入到模型中进行训练。他们通过更新的数据和错误检查来不断完善数据集。数据的质量和多样性提高了机器学习模型的准确性。 

构建 AI 产品通常是一个更为复杂的过程,因此许多人选择预先构建的 AI 解决方案来实现他们的目标。这些 AI 解决方案通常是经过多年研究后开发的,开发人员可以通过 API 将其与产品和服务集成。

要求

机器学习解决方案需要使用包含数百个数据点的数据集进行训练,还需要足够的计算能力才能运行。根据您的应用程序和用例,单个服务器实例或小型服务器集群可能就足够了。

其他智能系统可能有不同的基础设施要求,这取决于您想要完成的任务和所使用的计算分析方法。高计算用例需要数千台机器协同工作才能实现复杂的目标。

但是,请务必注意,预先构建的 AI 和机器学习函数都可用。您可以通过 API 将它们集成到您的应用程序中,而无需额外资源。

组织如何才能开始使用 AI 和机器学习?

如果您想使用人工智能 (AI) 或机器学习 (ML),请先定义您想要解决的问题或想探索的研究问题。确定问题领域后,就可以确定合适的 AI 或 ML 技术来解决问题。在开始之前,请考虑可用训练数据的类型和大小,并对数据进行预处理,这一点非常重要。 

借助按需云服务,您可以创建、运行和管理 AI。而且,还可以从 Amazon Web Services (AWS) Cloud 创建、运行和管理学习函数。

组织如何使用 AI 和 ML?

一些机器学习 (ML) 解决方案适用于大多数组织:

以下是适用于大多数组织的人工智能 (AI) 解决方案:

差异摘要:AI 与机器学习

 

 

人工智能

机器学习

它是什么?

AI 是一个广义的术语,泛指模仿人类智能的基于机器的应用程序。并非所有 AI 解决方案都是机器学习。

机器学习是一种人工智能方法论。所有机器学习解决方案都是 AI 解决方案。

最适合

AI 最适合高效完成复杂的人类任务。

机器学习最适合识别大型数据集中的模式以解决特定问题。

方法

AI 可能使用多种方法,例如基于规则、神经网络、计算机视觉等。 

对于机器学习,人们从原始数据中手动选择和提取特征,然后分配权重来训练模型。

实施

AI 的实施取决于任务。AI 通常是预先构建的,并通过 API 进行访问。

您可以针对您的特定用例训练新的或现有的 ML 模型。预构建的机器学习 API 可用。

 

AWS 如何支持您的 AI 和机器学习需求?

AWS 提供广泛的服务,以帮助您构建、运行和集成任何规模、复杂程度或用例的人工智能和机器学习 (AI/ML) 解决方案。

Amazon SageMaker 是用于从头开始构建机器学习解决方案的全面平台。SageMaker 拥有一整套预构建的机器学习模型、存储和计算功能以及全面托管的环境。

对于 AI,您可以使用 AWS 服务从头开始构建自己的 AI 解决方案,或者将预构建的人工智能 (AI) 服务集成到您的解决方案中。 

使用 AWS 的后续步骤

使用人工智能开始进行构建
使用机器学习开始进行构建