人工智能(AI)正席卷全球，目前已有很多创新用例，而且几乎应用于所有行业。虽然说，要做出用智能机器人代替医生这种听起来就很科幻的东西，还有几十年的路要走，但现在人工智能也正为各行各业的专家们，提供着决策与解决问题方面的帮助。也会为我们消费者提供一些非常便利的功能，比如听歌识曲。
大多数人关注的是AI的一些成果性的东西，一些实际的用例。当然，还有霍金的“人工智能威胁论”。但对于我来说，我更喜欢透过外表去看这台“机器”是如何“运转”的，此处我们会谈到需要去理解的四个基本要素：分类、分级、机器学习和协同过滤。
分类涉及到创建特定于待解决问题领域的度量(如金融、网络)。分级包括确定数据与待解决问题的相关程度。机器学习涉及到异常检测、群集、深度学习和线性回归。协同过滤涉及到跨大数据集去寻找应用模型。
分类
AI需要大量与解决问题相关的数据，创建一个人工智能解决方案的第一步是创建一个我称之为“设计意图指标”，用于将问题进行分类。无论用户试图建立一个系统去帮助医生诊断癌症还是去帮助IT管理员诊断无线网络问题，都需要定义度量，使问题被分解成一个一个的小块。例如，在无线网络中，关键指标是用户连接时间、吞吐量、覆盖面积和漫游。在癌症诊断方面，关键指标则是白细胞计数、种族背景和X射线扫描。
分级
一旦用户的待解决问题有了一个明确的分类，下一步就是对每个分类进行分级，帮助用户走向可获得有意义结论的方向。例如，在训练人工智能系统时，用户首先必须对问题属于单纯性文本还是双关语进行分等，然后按时间、人、事或位置进行分等。在无线网络中，一旦用户知道问题的类别，就需要开始对导致问题出现的因素进行分等：关联规则、认证、动态主机配置协议(DHCP)或其他的无线、有线和设备因素。
机器学习
现在的问题是将其划分为元数据的特定领域块，用户需要将这些信息“喂给”神奇的、强大的计算机，让其进行吞食及学习，也就是机器学习。机器学习领域有很多算法和技术，使用神经网络的监督机器学习(即深度学习)现在已经成为较受欢迎的方法之一。神经网络的概念现于1949年，随着计算和存储能力的增强，神经网络已经开始被训练用以解决各种实际问题，从图像识别到自然语言处理再到网络性能预测。其他的应用包括异常特性发现、时间序列异常检测和事件关联根本原因分析。
协同过滤
大多数人在线上视频网站看视频或电商平台购物的时候，都会体验到协同性的过滤，并收到他们可能喜欢的电影或商品的推荐。除了推荐，协同过滤还被用来对大量数据进行排序，并在人工智能解决方案的制定上落下最后一笔。在这一过程中，所有的数据收集和分析都变成了有意义的见解和行动。无论是在游戏中，还是对医生、网络管理员，协同过滤都是能够提供高可信度答案的手段。它就像一个虚拟助手，能够帮助你解决各种复杂的问题。
人工智能仍然是一个新兴的领域，但它的影响是深远的，也会越发强烈，因为它会慢慢成为我们生活的一部分。选择一个人工智能解决方案，其实和选购汽车很相似，我们不仅要看车的外形，还要了解引擎盖下面那些真正能够代表车的性能的东西。这样，我们才能知道这辆车是否能达到我们的需求。