Big Data Analysis and Artificial Intelligence
来源：AI优化生活
「人工智慧（AI）」和」大數據 （Big Data）」兩個詞以迅雷不及掩耳之勢流行開來，那麼這兩者之間有什麼關係嗎？常常有人把兩者混肴在一起。有必要釐清一下它們之間的聯繫和區別。
一個共同點就是這兩項技術，都被炒得非常火熱。根據調查發現，超過97％的企業高管表示，他們的公司正在投資、建構或啓動大數據和人工智慧計劃。更重要的是，近80％的企業高管認為人工智慧和大數據密切相關。可以肯定的是，它們是完成任務的不同工具。
首先從定義出發：
人工智慧（AI）是研究、開發用於模擬、延伸和擴展人的智慧的理論、方法、技術及應用系統的一門新的技術科學。它是指電腦系統具備的能力，該能力可以履行原本只有依靠人類智慧才能完成的複雜任務。
人工智能在上世紀80—90年代曾經一度低迷。近年來，由於成本低廉的大規模並行計算、大數據、深度學習、人腦晶片4大催化劑的齊備，導致人工智慧的發展出現了井噴趨勢。
大數據（Big Data）是指無法在一定時間範圍內，用常規軟體工具，進行捕捉、管理和處理的數據集合，是需要新處理模式，才能具有更強的決策力、洞察發現力，和流程優化能力的海量、高成長率和多樣化的資訊資產。
人工智慧和大數據聯繫：
人工智慧打個比方，像張無忌吸收好多武林前輩的武功秘籍，不斷的深度學習和廣泛訓練，逐漸進化升級為一個武林高手。
大數據相當於張無忌從小到大學習、記憶和儲存的海量武功秘籍（武學知識），這些武學知識只有透過他消化、吸收、再造才能創造出更大的價值或本領。
可以看出，大數據是不斷採集、沈澱、分類等數據累積，人工智慧是基於大數據的支持和採集，運用於人工設定的特定性能，和運算方式來實現。因此，人工智慧離不開大數據，人工智慧需要依賴大數據平台和技術，來幫助完成深度學習進化。
當今人工智慧立足於深度（多層）神經網路，進行深度機器學習，可以根據大量的訓練數據，來提高模型優化能力。但這一顯著優點，需要增加海量的運算。
隨著電腦運算能力提升，深度神經網路發揮了傑出的實際應用價值。高速並行運算、海量數據、更優化的算法，共同促成了人工智慧發展的突破－所釋放出來的力量，將徹底改變和優化人們的工作和生活（科技優化生活＾＿＾）！這對人類的發展產生意義重大且深遠的影響。
人工智慧涉及的領域非常廣泛，且深入人們的工作和生活各個方面。人工智慧，特別是深度學習，需要大量數據的應用和累積。這就需要高容量儲存設備，來支持大量數據的留存。
隨著數據的不斷增加，人們開始在其中發現某種規律，引發了分析的需求。分析讓大量的數據有了價值，嵌有人工智慧的機器開始懂得用戶想要什麼，需要幹什麼，可以預測未來變化或趨勢，這種人工智慧與場景的結合，要實現的就是改變生活方式和解放生產力。
很多過去只有人能做的事情，現在更多的情況下，能夠透過機器實現，比如語音助手、無人駕駛汽車。更重要的是，當硬體性能逐漸提升、計算資源越來越強大時，成本卻越來越低廉。
人工智慧和大數據區別：
大數據是需要在數據變得有用之前，進行清理、結構化和整合的原始輸入，而人工智慧則是輸出，即處理數據產生的智慧。這使得兩者有著本質上的不同。
人工智慧是一種計算形式，它允許機器執行認知功能，例如對輸入起作用或作出反應，類似於人類的做法。人工智慧系統不斷改變它們的行為，以適應調查結果的變化，並修改它們的反應。人工智慧系統旨在分析和解釋數據，然後根據這些解釋，來解決實際問題。
人工智慧是關於決策和學習，做出更好的決定。在某些方面人工智慧會代替或部分代替人類，來完成某些任務，但比人類速度更快，錯誤更少。
大數據是一種傳統計算。它不會根據結果採取行動，而只是尋找結果。它定義了非常大的數據集，可以存在結構化數據，或非結構化數據（在使用上也有差異）。大數據主要是為了獲得洞察力。
人工智慧和大數據協同：
雖然人工智慧和大數據有很大的區別，但它們仍然能夠很好地協同工作。這是因為人工智慧需要數據來建立其智慧，特別是機器學習。
機器學習中，為了訓練模型，需要大量的數據，而且數據需要結構化和整合到足夠好的程度，以便機器能夠可靠地辨識數據中的有用模式。大數據技術滿足這樣的要求。
人工智慧是基於大數據的支持和採集，運用於人工設定的特定性能和運算方式來實現的，大數據是不斷採集、沈澱、分類等數據累積。
大數據提供了大量的數據，並且能從大量繁雜的數據中，提取或分離出有用的數據，然後供人工智慧來使用。即人工智慧和機器學習中，使用的數據已經被「清理」了，無關的、重複的和不必要的數據，已經被清除。這些「清理」工作，是由大數據技術，來完成或保障的。
大數據可以提供，訓練學習算法所需的數據。有兩種類型的數據學習：初期離線訓練數據學習，和長期線上訓練數據學習。人工智慧應用程序，一旦完成最初離線培訓，並不會停止數據學習。隨著數據的變化，它們將繼續線上收集新數據，並調整它們的行動。
因此，數據分為初期的和長期的（持續的）。機器學習從初期和長期收集到的數據中，不斷學習和訓練。不斷學習和磨練其人工智慧的模型和參數。
人工智慧發展的最大飛躍，是大規模並行處理器的出現，特別是GPU，它是具有數千個內核的，大規模並行處理單元。這大大加快了人工智慧算法的計算速度。
人工智慧需要透過試驗和錯誤學習，這需要大量的數據，來教授和培訓人工智慧。人工智慧應用的數據越多，其獲得的結果就越準確。因此可以看出，人工智慧是依託於大數據，或者說人工智慧底層基於大數據。
此外，在大數據發揮作用的同時，人工智慧研發者也一定不要忘了，大數據的應用必然會帶來個人隱私保護方面的挑戰。有效、合法、合理地收集、利用、保護大數據，是人工智慧時代的基本要求。
最後還要澄清的一點是：大數據在人工智慧中的作用，是將人類或物體行為活動，抽象為或轉變為海量數據，對數據清洗、提質等預處理，供人工智慧系統使用，而對數據進行智慧分析的人工智慧，只是人工智慧的一部分，並非全部。
結語：
人工智慧和大數據既有聯繫又有區別，且可以協同工作。人工智慧需要透過試驗和錯誤學習，需要大數據來教授和培訓人工智慧。人工智慧需要依託大數據來建立其智慧。
在大數據在人工智慧中發揮作用的同時，人工智慧研發者千萬不要忘了，合理地收集和利用大數據，注意個人隱私的保護。對數據進行智慧分析的人工智慧，只是人工智慧的一部分，並非全部。
0 comments:
張貼留言