在流行语不断出现的世界中，人工智能已经非常耐用。自从1950年代首次成为一种概念以来，一直存在着相对稳定的技术，产品，服务和公司，它们声称是AI。您今天投资的解决方案很可能被称为支持AI或机器学习驱动的解决方案。

但是，真的吗?

对于大多数组织而言，当今的现实是，人工智能和机器学习在整个分析工作中只占很小的一部分。确实，总部位于伦敦的投资公司MMC Ventures进行的研究表明，欧洲40%的人工智能初创企业根本没有使用任何AI。此外，许多初创公司和分析提供商的产品(即使相当先进)甚至都无法满足基本AI的要求。

我们将AI定义为观察，分析和学习的任何基于计算机的系统。这里的关键是这些系统是迭代的-它们在收集和分析更多数据时会变得更好，更准确，而无需人工干预。顾名思义，这些是学习的机器，无论学习多么简单。

什么不是人工智能

正如定义将系统表征为AI的特征很重要一样，识别什么不是AI也同样重要。将先进的分析和计算技术误用于AI和机器学习通常会导致混乱，以下部分详细介绍了一些最常见的AI谬误，供领导者理解。

1.仅仅因为系统使用算法​​和高级统计信息，但这并不能使其成为AI。

算法只是解决问题的一组预定义步骤或规则。这些可能很简单(想像一个if-then语句)，也可能很复杂(想像一个国际象棋游戏机)。但是，大多数算法都是静态的：给定相同的输入，它们将始终返回相同的输出。也就是说，他们不适应或学习。

这些算法通常使用相关或回归等标准统计模型进行编码，这些模型非常善于在定义明确的数据中识别趋势线。这些趋势线使他们能够基于一组过去状态提供对未来状态的预测。但是，真正的AI能够处理结构，定义不完善甚至数字化的数据。人工智能和机器学习的一些最大突破来自自然语言，图像和视频数据产生的见解。

2.仅仅因为系统回答了问题，但这并不能使它成为AI。

有很多技术，例如对话代理，都能够回答向他们提出的问题。回想一下1980年代和1990年代流行的决策支持系统。这些工具可通过数字仪表板提供对各种问题的自动响应，并且这些系统的版本甚至在今天仍存在，可用于库存管理和销售预测等任务。在大多数情况下，他们可以通过将问题与预先填充的答案的数据库进行匹配(例如软件的“帮助”功能)，或者通过将算法应用于数据来计算答案。如果在数据库中找不到合适的内容，则有些人会通过搜索互联网走得更远。这些系统中的大多数都没有能力将问题放在上下文中，也无法从过去答案的准确性中学习。因此，它们不具备AI资格。

3.仅仅因为一个系统被宣传为AI，就不能使它成为AI。

我们遇到了许多初创公司，供应商和“分析”提供商，他们通过提供先进的AI /机器学习解决方案而自我提升。不幸的是，我们对其中大多数感到失望。尽管它们确实确实擅长高级统计方法，但它们无法从结构化和非结构化数据(尤其是构建有用模型通常需要的大量数据)中构建学习模型。

AI 真正做什么?

为了评估您正在评估的策略或方法是否需要人工智能，让我们回到我们对AI的定义，即任何观察，分析和学习的基于计算机的系统。

首先，它需要观察。这意味着它需要能够扩展其信息和见解数据库。丰富而静态的数据集是不够的，因为它在创建时就过时了。因此，真正的AI系统能够感知其自身的环境并以接近实时的方式增强其知识基础。大多数特斯拉汽车都有至少21个传感器，包括摄像头，超声波传感器和雷达。这些传感器的目的是观察汽车周围的环境并将实时信息提供给强大的车载自动驾驶系统。基于AI的数字营销初创公司OrangeShark会密切跟踪过去广告效果的各种指标，并自动调整广告展示位置，以针对未来广告的创意内容为目标。

其次，人工智能需要分析—即了解其环境。AI系统需要能够分析它观察和收集的信息，即使该信息非常混乱。因此，它需要具有高级工具才能在非常嘈杂的数据集中找到信号。特斯拉(Tesla)的车载计算机会分析其收集的图像，斑点和其他数据，以了解其周围环境，从而实现多个驾驶决策的自动化。Gong.io通过分析销售电话的各个方面(包括语音情感和语气)来帮助高影响力B2B环境中的销售人员。利用这些数据，公司和销售专业人员可以得出许多与直觉相反的见解-例如，积极情绪较高的电话实际上比积极情绪较低的电话的成交率低。

第三，人工智能系统需要能够学习。这第三个标准是AI系统与普通数据科学之间最重要的区别。测试，学习和改进的能力仅适用于当今最先进的机器学习系统。这些系统能够主动进行假设，创建和检验假设并从中学习。因此，随着时间的推移它们变得更加准确。特斯拉的无人驾驶技术每行驶一公里，就会变得更加智能。它通过观察和分析来自数十万辆特斯拉汽车的数据，然后从这些数据中学习以提高自动驾驶能力来做到这一点。它可能会学会区分道路中间的动物和被风吹来的塑料袋，从而弄清楚它首先需要停止，而第二次可以安全地继续行驶。如今，包括Netflix和Stitch Fix所使用的推荐系统在内的一些推荐系统(当他们对您的首选项知之甚少时)就开始提出通用推荐。随着时间的推移，他们会从您的选择中吸取教训，并不断改进以提出更具针对性的个性化建议，这是没有机器学习的系统所缺乏的能力。