分类涉及创建特定于问题领域的指标(例如财务，网络)，分析涉及确定哪些数据与解决问题最相关。机器学习涉及异常检测，聚类，深度学习和线性回归。协同过滤涉及查找大型数据集中的模式。
分类
AI需要大量与要解决的问题相关的数据。构建AI解决方案的第一步是创建所谓的“设计意图度量”，用于对问题进行分类。无论用户正在尝试构建可以播放音乐的系统、帮助医生诊断癌症的系统，还是帮助IT管理员诊断无线问题，用户都需要定义允许将问题分解成较小部分的关键指标。例如，在无线网络中，关键指标是用户连接时间，吞吐量，覆盖率和漫游。在癌症诊断中，关键指标是白细胞计数，种族背景和X射线扫描。
分析
一旦用户将问题分类到不同的区域，下一步是分析每个类别，这将指向对用户有意义的结论。例如，在无线网络中，一旦用户知道问题的类别(例如连接前或连接后的问题)，用户需要开始分析导致问题的原因：关联，认证，动态主机配置协议(DHCP)或其他无线 ，有线和设备因素。
机器学习
现在，问题分为特定于元数据的区块，用户可以将这些信息提供给机器学习。在众多机器学习算法和技术中，使用神经网络(即深度学习)的监督式机器学习成为了最受欢迎的方法之一。神经网络的概念自1949年提出以来，随着计算和存储能力的增强，神经网络经过了大量训练以解决各种现实问题，从图像识别、自然语言处理到预测网络性能。其他应用包括异常特征发现，时间序列异常检测和根本原因分析的相关事件。
协同过滤
协同过滤也用于对大量数据进行分类，并将其应用于AI解决方案之上，这是让数据收集和分析变成有意义的洞察力或行动的必备步骤。无论是在游戏开发中使用，还是由医生或网络管理员使用，协同过滤都是提供高置信度的方法。它就像一个虚拟助手，可以帮助解决复杂的问题。
AI仍然是一个新兴的空间，但它必然成为日常生活中越来越强大的一部分。当选择AI解决方案时，就像购买汽车一样，一定要结合我们的需求选择性价比最高的组合。
作者：编译 | 钰莹
来源：IT168
原文链接:人工智能入门必读：4大关键AI概念
