人工智能的核心技術(shù)

1、人工智能的核心技術(shù)是什么？《人工智能標準化白皮書（2018）》1機器學習機器學習（MachineLearning）是一門涉及統(tǒng)計學、系統(tǒng)辨識、逼近理論、神經(jīng)網(wǎng)絡(luò)、優(yōu)化理論、計算機科學、腦科學等諸多領(lǐng)域的交叉學科，研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能，是人工智能技術(shù)的核心。基于數(shù)據(jù)的機器學習是現(xiàn)代智能技術(shù)中的重要方法之一，研究從觀測數(shù)據(jù)（樣本）出發(fā)尋找規(guī)律，利用這些規(guī)律

2、對未來數(shù)據(jù)或無法觀測的數(shù)據(jù)進行預測。根據(jù)學習模式、學習方法以及算法的不同，機器學習存在不同的分類方法。（1）根據(jù)學習模式將機器學習分類為監(jiān)督學習、無監(jiān)督學習和強化學習等。監(jiān)督學習監(jiān)督學習是利用已標記的有限訓練數(shù)據(jù)集，通過某種學習策略方法建立一個模型，實現(xiàn)對新數(shù)據(jù)實例的標記（分類）映射，最典型的監(jiān)督學習算法包括回歸和分類。監(jiān)督學習要求訓練樣本的分類標簽已知，分類標簽精確度越高，樣本越具有代表性，學習模型的準確度越高。監(jiān)督學習在自然語言處理

3、、信息檢索、文本挖掘、手寫體辨識、垃圾郵件偵測等領(lǐng)域獲得了廣泛應用。無監(jiān)督學習無監(jiān)督學習是利用無標記的有限數(shù)據(jù)描述隱藏在未標記數(shù)據(jù)中的結(jié)構(gòu)規(guī)律，最典型的非監(jiān)督學習算法包括單類密度估計、單類數(shù)據(jù)降維、聚類等。無監(jiān)督學習不需要訓練樣本和人工標注數(shù)據(jù)，便于壓縮數(shù)據(jù)存儲、減少計算量、提升算法速度，還可以避免正、負樣本偏移引起的分類錯誤問題。主要用于經(jīng)濟預測、異常檢測、數(shù)據(jù)挖掘、圖像處理、模式識別等領(lǐng)域，例如組織大型計算機集群、社交網(wǎng)絡(luò)分析、市場

4、分割、天文數(shù)據(jù)分析等。強化學習強化學習是智能系統(tǒng)從環(huán)境到行為映射的學習，以使強化信號函數(shù)值最大。由于外部環(huán)境提供的信息很少，強化學習系統(tǒng)必須靠自身的經(jīng)歷進行學習。強化學習的目標是學習從環(huán)境狀態(tài)到行為的映射，使得智能體選擇的行為能夠獲得環(huán)境最大的獎賞，使得外部環(huán)境對學習系統(tǒng)在某種意義下的評價為最佳。其在機器人控制、無人駕駛、下棋、工業(yè)控制等領(lǐng)域獲得成功應用。（2）根據(jù)學習方法可以將機器學習分為傳統(tǒng)機器學習和深度學習。傳統(tǒng)機器學習傳統(tǒng)機器學

5、習從一些觀測（訓練）樣本出發(fā)，試圖發(fā)現(xiàn)不能通過原理分析獲得的規(guī)律，實現(xiàn)對未來數(shù)據(jù)行為或趨勢的準確預測。相關(guān)算法包括邏輯回歸、隱馬爾科夫方法、支持向種自適應機制以確定演化機制的影響等。2知識圖譜知識圖譜本質(zhì)上是結(jié)構(gòu)化的語義知識庫，是一種由節(jié)點和邊組成的圖數(shù)據(jù)結(jié)構(gòu)，以符號形式描述物理世界中的概念及其相互關(guān)系，其基本組成單位是“實體—關(guān)系—實體”三元組，以及實體及其相關(guān)“屬性—值”對。不同實體之間通過關(guān)系相互聯(lián)結(jié)，構(gòu)成網(wǎng)狀的知識結(jié)構(gòu)。在知識圖

6、譜中，每個節(jié)點表示現(xiàn)實世界的“實體”，每條邊為實體與實體之間的“關(guān)系”。通俗地講，知識圖譜就是把所有不同種類的信息連接在一起而得到的一個關(guān)系網(wǎng)絡(luò)，提供了從“關(guān)系”的角度去分析問題的能力。知識圖譜可用于反欺詐、不一致性驗證、組團欺詐等公共安全保障領(lǐng)域，需要用到異常分析、靜態(tài)分析、動態(tài)分析等數(shù)據(jù)挖掘方法。特別地，知識圖譜在搜索引擎、可視化展示和精準營銷方面有很大的優(yōu)勢，已成為業(yè)界的熱門工具。但是，知識圖譜的發(fā)展還有很大的挑戰(zhàn)，如數(shù)據(jù)的噪聲問

7、題，即數(shù)據(jù)本身有錯誤或者數(shù)據(jù)存在冗余。隨著知識圖譜應用的不斷深入，還有一系列關(guān)鍵技術(shù)需要突破。3自然語言處理自然語言處理是計算機科學領(lǐng)域與人工智能領(lǐng)域中的一個重要方向，研究能實現(xiàn)人與計算機之間用自然語言進行有效通信的各種理論和方法，涉及的領(lǐng)域較多，主要包括機器翻譯、機器閱讀理解和問答系統(tǒng)等。（1）機器翻譯機器翻譯技術(shù)是指利用計算機技術(shù)實現(xiàn)從一種自然語言到另外一種自然語言的翻譯過程?；诮y(tǒng)計的機器翻譯方法突破了之前基于規(guī)則和實例翻譯方法的

8、局限性，翻譯性能取得巨大提升?；谏疃壬窠?jīng)網(wǎng)絡(luò)的機器翻譯在日?？谡Z等一些場景的成功應用已經(jīng)顯現(xiàn)出了巨大的潛力。隨著上下文的語境表征和知識邏輯推理能力的發(fā)展，自然語言知識圖譜不斷擴充，機器翻譯將會在多輪對話翻譯及篇章翻譯等領(lǐng)域取得更大進展。目前非限定領(lǐng)域機器翻譯中性能較佳的一種是統(tǒng)計機器翻譯，包括訓練及解碼兩個階段。訓練階段的目標是獲得模型參數(shù)，解碼階段的目標是利用所估計的參數(shù)和給定的優(yōu)化目標，獲取待翻譯語句的最佳翻譯結(jié)果。統(tǒng)計機器翻譯主

9、要包括語料預處理、詞對齊、短語抽取、短語概率計算、最大熵調(diào)序等步驟?；谏窠?jīng)網(wǎng)絡(luò)的端到端翻譯方法不需要針對雙語句子專門設(shè)計特征模型，而是直接把源語言句子的詞串送入神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過神經(jīng)網(wǎng)絡(luò)的運算，得到目標語言句子的翻譯結(jié)果。在基于端到端的機器翻譯系統(tǒng)中，通常采用遞歸神經(jīng)網(wǎng)絡(luò)或卷積神經(jīng)網(wǎng)絡(luò)對句子進行表征建模，從海量訓練數(shù)據(jù)中抽取語義信息，與基于短語的統(tǒng)計翻譯相比，其翻譯結(jié)果更加流暢自然，在實際應用中取得了較好的效果。（2）語義理解語義理解