浅谈机器学习与人工智能的关系

        大家都知道，现在AI特别火爆，研究人员也都想进入到这一领域，AI到底是什么？AI就是将原材料进行加工成产品，大数据就是原材料，AI就是最终的产品。

        概括一句话就是：将海量数据通过机器学习进行处理然后形成一个模型，最终能适用于场景的过程就是AI。

        大家都知道，机器学习说起来简单，但背后有很多的事情要做，比如：预处理、特征抽取、数据建模、模型评估等等。在建模过程中，除了调优算法之外还有很多重要的环节。机器学习最重要取决了特征工程做得好不好了。

       人工智能为什么这么火爆？相对于之前的商业智能，AI更加精准。BI是人对大数据的规则进行发现，AI是机器对大数据的规则自动进行发现。如果规则太多，机器一定会超过专家的，这就是现在为什么有些行业的机器学习能力部分超过一些专业人士，就不足为怪了。

        AI的功能强大建立在以下几个约束条件：

      （1）业务场景。我们现阶段的人工智能不是强人工智能，并不能像科幻电影里一样可以解决任何问题。能够用机器学习解决问题的前提之一，就是把业务问题转化为机器学习的建模问题。业务场景是特别重要。

      （2）海量数据。我们现在的机器学习都是基于统计来学习相关的规则。根据数据历史，基于统计发现其中规律，然后再这些规律用于未来的数据预测。在历史数据里发现规则，需要海量的数据，这些海量数据应该特征丰富、数据质量高、覆盖率高。

      （3）人才。这涉及到做算法人才、把算法在工程中实现的人才、产品化的人才以及将AI和业务系统集成的人才，这些都是属于AI的。

      （4）技术能力。包含了计算资源、存储、网络以及业务系统地集成。AI如果不能跟企业业务系统集成在一起是没有业务价值的。

      其实，针对不同的场景，这四个约束条件都有所不同。

      根据AI的人才可以分为：

      （1）AI Geek，从底层到计算框架的引入，还可以到算法编写，包括模型的调优，一个人可以做完，这种人非常稀缺。

      （2）AI研究者，自己会写比较高级的算法，但是对底层的计算框架，比如如何管理GPU怎么管理不是很清楚，只知道把算法写好就可以了，底层交给工程人员，这属于AI的研究者。

      （3）AI从业者，知道整个建模的流程；也能够用一些开源的算法做模型训练，希望能够有一个比较好的机器学习UI，不需要从框架上或者每一个交互都需要一个命令行来建模。 

      （4）AI的应用人员，希望直接拿到发挥作用的模型，不关心模型的原理，希望的是能够从业务数据直接获取一个模型来解决业务问题。