然后需要逐步完成一个过程，以确保人工智能技术能够解决其所针对的特定业务问题，并带来实际价值。“用锤子敲碎坚果”这句格言在这里非常贴切。
下图展示了如何从数据科学的总体领域深入到深度学习的具体领域。
根据业务问题或用例，解决方案可能来自这四个领域中的任何一个。在 AI 项目期间始终牢记最初的业务问题可确保最终解决方案符合目的，并且不会过度设计或不必要地复杂（且昂贵）。
如果我们借用精益制造和敏捷开发方法中的概念，那么创建“最小可行解决方案”就成为目标。一旦概念得到验证，就可以丰富和扩展以涵盖整个用例。
在我们实际完成创建人工智能的过程之前，值得更详细地了解这四个概念中的每一个，并思考它们最适合哪些业务用例。
数据科学
数据科学是一个广义术语，指研究各种形式的数据，以发现模式和见解，从而增进我们对世界的理解。它结合了机器学习、统计学、商业智能和计算机编程，从结构化和非结构化数据中提取含义。在商业环境中，它可以帮助人们组织和分析来自各种来源的数据，从而帮助做出更明智的决策并为客户提供更好的体验。
随着数字革命的到来，数据科学专业人员已成为任何企业的关键资产。数据工程师、机器学习专家和人工智能数据科学家对于帮助组织理解和利用他们掌握的数据至关重要。
人工智能
人工智能是开发能够处理数据、人类语言、图像和视频并从中提取含义的模型和计算机程序。最终目标是让机器能够像人类一样根据手头的信息做出明智的决定。人工智能可以接受训练来识别模式、解决问题，在聊天机器人的情况下，还可以与人沟通以提供服务。
您可能认为基于规则的聊天机器人并不具备真正的智能，但设计精良的聊天机器人可以接管企业中许多以前由人类完成的任务。它们的优势在于，它们通过应用一组预定义的规则引导人们找到他们正在寻找的信息。这确保了全天候可用性和对客户的即时响应。
更先进的机器人结合了机器学习，随着获得更多数据而不断适应和改进，毫无疑问可以归类为人工智能。加上我们手机的语音识别功能、指导我们网上购物的推荐引擎，或者即将为我们运送包裹的自动驾驶汽车，机器学习正在成为我们日常生活中的一部分。
机器学习
机器学习的概念其实并不复杂。如果你观察过任何刚开始学走路的幼儿，你会发现他们使用的过程完全一样。看到父母和哥哥姐姐走路后，他们会试着站起来，如果摔倒了，他们会调整姿势，再试一次，直到找到平衡。然后他们进入下一个阶段，一只脚放在另一只脚前面，无意识地运用他们已经学到的知识。
机器学习的方式也是一样——通过适应和学习任何可用的 澳洲海外华人电话号码数据 来源以及从成功和失败中学习，直到实现它们的目标。
这种学习可以分为三种不同的类型：
1.监督学习
在这种类型的学习中，人工智能被“告知”如何对数据进行分类，以便它可以自行分类。有点像幼儿看着别人走路以学习如何自己走路。例如，如果您为人工智能提供一组标记图像，例如猫、狗和仓鼠，则可以训练模型从未来未标记的图像中自行识别动物。人工智能访问的图像越多，它就会越好。
2.无监督学习
通过这种类型的学习，人工智能可以自行分析数据，并使用各种技术根据发现的模式和相似性对数据进行分组。如果你将我们的一堆宠物照片输入模型，它应该能够区分狗、猫和仓鼠——即使它不知道每种动物的名字。无监督学习包括：
聚类：发现数据中的不同分组（例如，有尾巴的动物，或过去购买过产品 x 的客户）。
关联：在数据中查找可用于形成规则的模式，例如购买产品 X 的人也总是购买产品 Y。
