我们正处于由人工智能和自动化引领的一场革命的风口浪尖上，这场革命将彻底改变我们的工作方式和生活方式。新的AI工具不断涌现，并有望解决困扰当今员工的现代问题的复杂性。人工智能有潜力优化任何组织中的整个数字价值链，尤其是在员工努力进行手动流程的领域。
毫不奇怪，人工智能的支出预测正在猛增，全球支出估计为亿美元。到年，这一增长可能会产生2.9万亿美元的商业价值和62亿小时的员工生产力。
但是，AI有许多不同的形式，并且识别哪种类型最适合特定用例并不总是那么容易。我们听到使用诸如“机器学习”，“深度学习”和“确定性AI”之类的术语，但是对于业界来说，避免泛化很重要。如果仅将这些技术归类为AI，则存在组织会误入歧途而错过承诺的收益的风险。
在投资AI之前，需要非常清楚他们要解决的挑战。企业必须首先查看其劳动力压力所在以及AI如何提供价值。人工智能可以改善可重复的手动过程，或者需要以超出人类能力的速度处理大量和各种各样的数据的过程。更重要的是，组织必须考虑他们拥有哪些可用数据，这些数据可能会影响应采用的AI类型。
机器学习
基于机器学习的AI采用统计方法，系统遵循该方法并吸收数据以理解和制定决策。它需要数据科学家训练算法，以便它可以学习制定决策，随着AI学习其环境规则，开发可能需要数月或数年的时间。因此，机器学习AI最好在规则不经常更改的环境中工作，因为每个重大更改都需要重新学习。
机器学习设备齐全，可帮助实现业务自动化。例如，在银行业中，可以使用机器学习来确定应向某人提供贷款还是信用卡。当客户提出申请时，机器学习AI工具可以根据包含数千名先前申请者的结果的数据库以及批准贷款的标准来评估该申请。但是，机器学习方法在规则不断变化且没有时间进行“学习”的动态环境中非常受限制。他们也容易产生偏见，据报道，AppleCard在批准过程中受到男性的青睐，而男性获得的信用额度要比女性高得多。
深度学习
深度学习是使用神经网络方法的机器学习子类别。这种方法类似于记忆泡沫：一旦引入了对象（在这种情况下为规则），它就会留下AI可以回忆起的印记。这使得它对于基于规则的决策有效，并且还可以处理不同类型的非结构化数据。在工作场所中，深度学习可用于诸如预测性维护之类的用例，例如，在其中，它可以获取音频或视觉数据来预测某台设备何时可能发生故障。在医疗保健中，深度学习可以查看扫描以识别异常或阴影。
但是，就像机器学习一样，训练也需要时间。尽管您可能会说培训本身就发生了，但问题是，对良好或不良行为的定义需要太多的时间和精力来灌输。例如，在机场的面部识别系统中使用深度学习来识别可疑人员，可能会导致偏见，弊大于利。面孔并不总是遵循“规则”，人工智能很难准确识别特征。
确定性AI
确定性AI是机器学习的另一个子类别，但是采用了非常不同的方法。它类似于安全工程方法，基于有向依存关系图（例如，来自实时拓扑发现）执行逐步的故障树分析。结果，它可以提供精确的答案，并将问题的发展映射回根本原因。它可以近乎实时地执行此操作，而无需人工分析和解释数据。尽管确定性AI可能无法满足更多重复性任务的要求，例如汽车装配线上的机器人流程自动化，但确定性AI非常适合规则不断变化的环境。
确定性AI具有出色的应用程序，可帮助组织克服在向企业云过渡过程中激增的复杂性（完整披露：我的公司使用确定性AI为我帮助开发的云软件提供动力）。当今的IT环境具有高度的动态性和Web规模，包含数百种技术，数百万行代码和数十亿个依赖项。因此，有效管理数字服务性能超出了人类的能力。
例如，如果大型微服务应用程序中出现异常情况，从而引发大量警报，则IT团队可能无法找到根本原因。确定性AI可以实时准确地提供异常现象的根源和解决方案，同时精确抑制数百万不相关的事件，从而可以帮助IT团队。在用户受到影响之前，这种情报可以用来触发自动修复程序。因此，我相信确定性AI将迎来AI驱动的IT运营的新时代，组织将在一个自主IT生态系统中运行，该IT生态系统可实时响应不断变化的规则，并在用户注意到问题之前解决问题。
最终
了解不同类型的AI的优缺点非常重要。并非所有的AI都是平等的，IT行业有责任确保它不再成为流行语。否则，人工智能可能永远不会成为它所承诺的真正的游戏规则改变者。
喜欢本文的朋友别忘了点赞，评论和