发帖
雷达卡
当人工智能技术在多年前开始萌芽时，其核心理念是教机器像人类一样行事。通过机器学习 (ML)，最初的核心思想转变为教机器直接从人类创建的训练数据中学习。借助深度学习 (DL)，当模拟人脑的神经网络接管了教学机器的任务时，另一个想法发生了转变。
深度学习揭秘提供了机器学习和深度学习的比较：
“深度学习中的‘深度’是指设计中涉及的隐藏层的数量。与通过预定义算法组织和发送数据的机器学习不同，深度学习开发并使用基本算法来筛选数据，然后通过利用模式和“许多”层处理来训练 AI 实体“自行学习”。深度学习领域的一些进步包括：深度学习和神经网络的使用目前为图像识别、语音识别和自然语言处理中出现的许多问题提供了最佳解决方案。”
机器学习或深度学习与业务分析之间存在各种交叉点。
当今企业中的先进人工智能技术
当今商业机器学习的现状使用 O'Reilly 统计数据来捕捉“当前商业环境中的人工智能技术”的本质。O'Reilly 发现，在 51% 的高级 ML 技术用户中，36% 声称自己是早期采用者，而 15% 声称自己是“成熟的用户”。早期采用者正忙于将自动化 ML 纳入其业务流程（嵌入式 ML）。ML 和 DL 最大的对比点在于，在 ML 中，人类充当模型的训练者，而在 DL 中，模拟人脑的神经网络充当训练模型的老师。
今天，人工智能、机器学习和深度学习共同吸引了人类对行业出版物的极大兴趣。从流式实时数据中不断学习是后物联网时代的新口号，“实时智能”为企业提供了明显的竞争优势。
交叉点 1：为学习 DL 算法开发训练数据
ML 或 DL 算法与业务分析之间最深的联系是通过预先设计的业务规则。在支持人工智能的分析时代，业务分析师不再设计业务规则；相反，他们正在为智能算法开发适当的训练数据，以自行学习这些规则。迈向数据科学解释了新兴的人工智能技术如何影响业务分析师的专业角色，他们正忙于重新技能以适应培训师的新角色。
交叉点 2：加速数据科学
在加速数据科学，数据分析过程与 ML 或 DL 技术相结合，以解决数据科学领域的复杂问题。加速数据科学的例子包括：
在能源和公用事业业务中，加速数据科学可用于提取客户情报以增强产品开发，或用于系统警戒以及时发现风险或威胁。提取的客户洞察有助于加快决策制定。
在医疗保健行业，预测分析通过加速的数据科学可以为各种疾病提供及时和改进的医疗保健决策。
数据分析、机器学习和深度学习协同工作，在实际应用中优化和部署训练好的神经网络，同时通过特征工程训练深度神经网络。
在加速数据科学中，DL 等高级 AI 技术为现有分析工具添加了更复杂的数据分析层。
交叉点 3：数字生态系统
2018 年麦肯锡报告分析成熟谈到了一个数字生态系统，多个行业利基将汇聚在一起以提供单一窗口、以客户为中心的产品和服务。这个数字生态系统的核心优势是通过集中式数字访问提供的“多行业”解决方案。在这种情况下，ML 和 DL 算法将再次在为多供应商合同启用业务规则、支付系统监管以及提供公共服务（如维护生态系统参与者之间的交易和信任关系）方面发挥关键作用。
该生态系统将降低交易成本，从而鼓励多元化企业将业务活动外包出去。最近，由于对以客户为中心的商业模式的需求不断增长，Apple Pay、阿里巴巴、亚马逊、星巴克、通用电气、CBA B2B 和平安等领先企业都赞同“扩展数字服务”的理念。
全球消费者如何从这个生态系统中受益？他们通过“无缝数字体验”获得了跨领域丰富的产品和服务。
交叉点 4：神经网络的深度学习分析
基于神经网络的深度学习人工智能可捕获数万亿价值 报告说麦肯锡全球研究院 (MGI) 最近的一项调查发现，由 DL 驱动的神经网络（多层学习）具有广泛应用的潜力，其中最重要的是“每年创造 3.5 万亿美元至 5.8 万亿美元的价值。” 本文还讨论了循环神经网络和卷积神经网络。
这华大智造论文 来自 AI Frontier 的笔记：来自数百个用例的见解提供了超过 400 个跨行业部门和业务功能的 AI 用例。该论文指出：
“我们的用例展示了深度学习的强大功能。另一方面，深度学习网络可以有 7 到 10 层或更多层，模拟的神经元数量达到数百万……先进的 AI 技术可以产生高达所有分析技术所能提供的总潜在价值的 40%。”
交叉点 5：图分析和深度学习
FUNL的DeepInsight算法表明 DL 技术可以帮助“分析大规模图形数据”。就其本质而言，图分析适用于“内存中”分析。以目前图数据的增长速度，图分析和深度学习是互惠互利的。
交叉点 6：在大数据分析中使用深度学习
大数据分析中的深度学习：一项比较研究科学直接从学术角度讨论深度学习在大数据分析中的作用。大数据分析中深度学习的强大用例发现于 深度神经网络、大数据、人工智能和自动驾驶系统之路追溯了自动驾驶汽车的历史和发展，从为这些汽车的中央计算机系统和众多传感器提供动力的先进软件系统的镜头中可以看出。
结论：DL-Powered Analytics 的一些用例
一个例子麦肯锡的客户服务通过高级分析是农业分析中心 ACRE。该服务机构包含一个由数据科学家、软件工程师和农业专家组成的团队，用于将高级分析 (DL) 应用于农业相关问题。他们提供的典型分析服务包括准确的天气预报、准确的作物定价预测、主要作物的全球成本曲线以及当地市场的地理空间分析。
另一个用例是从医疗保健行业中选择的。在医疗保健中使用 DL 技术进行风险分层解释在 深度学习在风险分层方面优于传统模型。医疗保健风险分层“基于通过多种来源收集的数据，例如病史、健康指标和成年人的生活方式。” 它指出医疗保健中风险分层的主要目的是解决人口管理挑战、定制医疗保健服务、与现有医疗保健水平的风险匹配以及提供具有“基于价值”结果的医疗保健实践等问题。
相关帖子DA内容精选
|
京公网安备 11010802022788号
