人工智能（AI）已經成為我們現(xiàn)代社會的重要組成部分。 據《福布斯》（Forbes）報道，兩年前，即2017年，已有51％的現(xiàn)代企業(yè)實施了AI，該行業(yè)本身的估值為160億美元。 據預測，這一指標將呈指數(shù)增長，到2025年將達到1900億美元。

通常，術語"人工智能"和"機器學習"是非系統(tǒng)性的，并且被認為是可互換的，但實際上，它們之間存在差異。

人工智能已經成為一種通用術語，可以表示幾件事，包括機器學習。 這使許多人將AI與獨立思考聯(lián)系在一起，這一事實引起了一些困惑。 然而，從機器學習的定義來看，這是一個人可以執(zhí)行的動作，并且需要一定程度的智慧。 也許這些動作不需要高水平的情報，但是它們屬于AI的定義。

今天我們要談談這兩個術語之間的區(qū)別！

一點理論

什么是人工智能？

人工智能（AI）-各種技術和科學解決方案及方法，可幫助創(chuàng)建類似于人類智能的程序。 人工智能包括許多工具，算法和系統(tǒng)，其中也包括數(shù)據科學和機器學習的所有組件。

如今，幾乎所有使用數(shù)據的應用程序都使用了許多人工智能系統(tǒng)，例如管理軟件，推薦算法，媒體分析甚至語音助手。 實際上，即使是簡單的跟蹤應用程序現(xiàn)在也可以使用AI。 如實踐所示，如果有一個相當復雜的過程來完成必須定期執(zhí)行而無需人工干預的任務，則很有可能包含AI。 通常，人工智能系統(tǒng)可以分為三類：

· 有限的人工智能（窄人工智能）

· 通用人工智能（AGI）

· 超級智能人工智能。

人工智能功能在所有領域都得到了廣泛的需求，特別是對于可以用于提供法律援助，專利檢索，風險交流和醫(yī)學研究的問答系統(tǒng)。 AI的其他用途如下：

· 衛(wèi)生保健

· 零售

· 運動

· 行業(yè)

什么是機器學習？

機器學習是使用算法來分析數(shù)據，得出結論以及就某事進行決策或預測。 無需使用一組特殊的命令來手動創(chuàng)建程序來執(zhí)行特定任務，而是使用大量數(shù)據來訓練機器，并且

使它能夠學習如何執(zhí)行此任務的算法。 也就是說，機器可以找到復雜和多參數(shù)問題（人腦無法解決）的模式，從而找到更準確的答案。 結果，正確的預測。

因此，機器將使用大量數(shù)據和算法來"學習"機器，而不是使用用于執(zhí)行特定任務的特定指令集進行手動編碼的例行程序，從而學習如何完成任務。

機器學習直接源于AI實踐，這些年來的算法方法包括學習決策樹，歸納邏輯編程，聚類，增益訓練和貝葉斯網絡。

機器學習僅存在一個子集-深度學習，在其中創(chuàng)建算法并與機器學習類似地操作，但是這些算法有很多層次，每個層次對所傳遞的數(shù)據提供不同的解釋。 這樣的算法網絡稱為人工神經網絡。 簡單來說，它類似于人腦中存在的神經連接。

AI和ML

在這里，我們準備了一個比較表，以顯示這兩個重要定義的鮮明特征：

總結一下

盡管人工智能和機器學習可以在許多常見應用中互換使用，但必須注意的是，機器學習具有一個非常鮮明的特征：適應性。 這意味著ML一直在學習。 與先前創(chuàng)建的AI不同，該系統(tǒng)可能會犯許多初始錯誤，但它旨在從中學習，從中構建錯誤，并最終使用所有這些錯誤來解決為其創(chuàng)建的任務。