2019-12-17 20:00:00
easyai.tech 发现入门人工智能是一件很难的事情，尤其是对于非技术人员。
于是我们将国内外优秀的科普内容用最通俗易懂的方式整合到一起，专门针对非技术人员，让大家都能理解人工智能领域里的基本概念。
先通过一张长图来讲解一下 PDF 中会涉及到的主要内容。
这个 PDF 要解决什么问题？
人工智能被很多人当做「黑科技」，它可以做一些神奇的事情，比如：下围棋比人类厉害，打游戏比人类厉害，美颜效果好到爆…
地球上最厉害的公司都把 AI 当做全公司的重要战略，Google、微软、Facebook、亚马逊、腾讯、阿里巴巴、百度、字节跳动……
很多大佬也预言人工智能将带来下一次的技术革命，想想「互联网」是怎么革命的，就能大概知道这个革命有多厉害了。
但是最大的问题是：在 AI 时代，我要怎么利用 AI？
上面的问题太大了，很难回答，我们需要把问题聚焦一下：当我在业务中面临了一个具体问题时，AI 也是一种解决思路，那么这个问题适合用 AI 来解决吗？
所以，这个PDF解决一个问题：
我面临的具体问题适合用 AI 来解决吗？需要从哪些方面来评估吗？
4个评估维度
PDF中详细阐述了4个评估维度：
- 数据
- 特征
- 学习
- 黑箱
数据
人工智能跟传统的计算机程序最大的差别是：基于数据。
这也是人工智能的底层逻辑，所以数据在人工智能领域是最重要的资源。所以我们需要从3个方面来评估数据维度：
- 数据是否可以获取？
- 数据是否全面？
- 数据是否多？
下载 PDF 可以查看全文，也可以通过下面的链接查看数据篇的全文内容：
特征
人工智能的基本原理是：从大量数据中找出隐藏很深的特征，然后学会通过特征的判断来完成具体任务。
基于这个原理，人工智能更应该处理一些比较复杂的问题，而不是一些简单的问题。判断问题的复杂程度可以从下面2个维度来判断：
- 特征的数量
- 特征的确定性
特征少+确定性弱：适合人工解决
特征少+确定性强：适合规则解决
特征多+确定性强：适合规则解决
特征多+确定性弱：「可以考虑」 AI 解决
下载 PDF 可以查看全文，也可以通过下面的链接查看特征篇的全文内容：
学习
前两篇已经解释了，基于规则的能力边界很小，很多实际问题无法通过规则的方法来解决。人工智能可以扩大计算机的能力边界。
除了扩大能力边界外，人工智能还有一个非常重要的特性——持续学习，不断提升能力上限。
为了让机器实现持续不断的学习，我们需要实现2个条件：
- 不断的获得反馈数据，让机器知道自己哪里好，哪里不好
- 将反馈数据加入闭环，机器能否持久的学习，提升能力
下载 PDF 可以查看全文，也可以通过下面的链接查看学习篇的全文内容：
黑箱
我们过去的计算机科学大部分是基于规则的，很像一台汽车，我们很清楚的知道这台车是如何组装起来的，所以发现螺丝松了就拧紧，哪个零件老化了就换一个。完全可以做到对症下药。
而深度学习则完全不一样，当我们发现问题时，不能做到对症下药，只能全局优化（比如灌更多的数据）。
所以，在评估的时候有3条原则：
- 解决方案越需要解释背后的原因，越不适合用深度学习
- 对错误的容忍度越低，越不适合使用深度学习
- 上面2条并非绝对判断标准，还需要看商业价值和性价比，自动驾驶和医疗就是反例。
下载 PDF 可以查看全文，也可以通过下面的链接查看黑箱篇的全文内容：
