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。
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 input 和 output 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：
- 选择并准备训练数据集
- 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：
- 通过客户细分，您可以根据客户的行为、偏好和特征对其进行细分，以开展进一步的销售和营销活动。阅读 Lion Parcel 如何使用 AWS 客户细分解决方案。
- 通过欺诈检测，您可以对发现的异常交易进行分类并加以处理。阅读 Luno 如何使用 AWS 欺诈检测解决方案。
- 通过情绪分析，可以整合客户反馈，从而为产品战略和营销提供信息。阅读 Signal Labs 如何使用 AWS 情绪分析解决方案。
以下是适用于大多数组织的人工智能 (AI) 解决方案：
- 聊天机器人适用于客户服务查询和分类。阅读 MetroPlusHealth 如何使用 AWS 聊天机器人解决方案。
- 语音识别非常适合将会议转录为书面纪要。阅读 Epiq 如何使用 AWS 语音识别解决方案。
- 计算机视觉非常适合生物识别系统。阅读 PayEye 如何使用 AWS 计算机视觉解决方案。
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。
