AI的两个（冲突的）定义
简介：   AI目前使用两种定义，流行定义和数据科学定义，它们在根本上存在冲突。如果您要向非数据科学家解释或推荐AI，那么了解两者之间的差异非常重要。
对于像我们这样关注准确性的职业，我们在命名事物方面做得非常差，或者至少在命名方面是一致的。“大数据” –完全具有误导性（因为它除了体积之外还包含速度和多样性）。您不得不纠正某人几次？
回顾一下自90年代末以来我们自称为的所有事物。这些名称没有描述不同的结果，甚至没有真正不同的技术。我们仍然在有监督和无监督机器学习的数据中找到信号。
因此，现在我们有了人工智能（AI），至少有两个相互竞争的定义，一个是流行的定义，另一个是数据科学家理解的定义。而且，这甚至都无法解释试图描述哪个维恩图是什么的子集，而所有这些本质上都是冲突的。
我敢肯定，到现在为止，您已经听到了一个老笑话。AI的解释是什么？
当您与客户交谈时，它就是AI。
当您与VC交谈时，它就是机器学习。
当您与数据科学家交谈时，它就是统计数据。
如果不是真的，那会更有趣，但事实并非如此。
因此，直接讨论这两个定义并查看它们在哪里冲突以及它们在哪里融合是值得进行的对话。
流行的定义
这个定义在12或18个月前开始进行，并且似乎势不可挡。我认为这太糟糕了，因为它在许多方面都有误导性。从各种来源收集并提炼出的AI的流行定义是：
做出决定或采取人类过去曾采取的行动或帮助人类做出决定或采取行动的任何事物。
这样做的主要问题是它描述了我们在数据科学领域所做的一切，包括我们自90年代以来一直在使用的每种机器学习技术。
当我在这里收集不同版本的内容供您参考时，很明显有四个不同的小组在推广这种模因。
AI研究人员：他们得到了媒体的广泛关注，他们想声称“机器学习”是AI独有的东西。
大众媒体：他们只是感到困惑，无法分辨差异。
客户：越来越多的人问“给我一些AI”。
平台和分析供应商：如果客户想要AI，那么我们将一切都称为AI，每个人都会很高兴。
数据科学家的定义
我们这些专业从事所有这些技术的人知道，在过去十年中出现了一组新的或扩展的技术。这些包括深层神经网络和强化学习。
这些并不是根本上的新技术，因为它们源自我们的工具箱中已有很长一段时间的神经网络，但是却充斥了MPP（由NoSQL Hadoop带来的大规模并行处理），GPU和极大扩展的云计算的类固醇。
当您从图灵（Turing），哥特泽（Goertzel）和尼尔森（Nilsson）等AI创始人的角度来看这些东西时，您会看到这些新扩展的功能，例如眼睛，耳朵，嘴巴，手和认知能力，逐渐加深了他们对人造物的理解情报应该能够做到。
数据科学家理解，我们今天实践中对AI的定义实际上是上述六种独特技术的集合，其中一些比其他技术更先进于商业就绪。
有共同点吗
它很狭窄，但是这两个定义之间有一些共同点。这主要是在AI的背景知识中。大众媒体大多表示AI是崭新的东西，但是正确的看法是 随着时间的演变。
我认为我们所有人都知道，我们站在前来者的肩膀上。甚至早在90年代，我们就建立了手工制作的决策树，我们称其为专家系统，以取代复杂情况下的人为决策。
一旦您了解了流行的定义要包含做出决定的一切，那么就很容易看到从机器学习和大数据到深度学习的进展。
随便的读者需要注意的地方之一是了解AI的哪些元素已准备就绪。在构成AI的六种技术中，只有用于图像，视频，文本和语音的CNN和RNN / LSTM处于商业上可接受的性能水平。
您可能需要向执行发起人解释的是，这六种“真正的”人工智能方法仍然是我们能力的前沿。基于这些的项目是高成本，高努力和高风险的。
结论应该是，有许多可以基于机器学习的业务解决方案，而无需涉及真正的AI方法。随着越来越多的第三方供应商使用这些新技术创建行业或流程特定的解决方案，这种风险将越来越小，但如今并非如此。
对于我们其他人，定义冲突仍然存在。当有人向您询问有关AI的信息时，您仍然需要问“这意味着什么”。
1