大數(shù)據(jù)vs人工智能是一種公平的比較嗎？在某種程度上，它是，但首先讓我們先厘清它們之間的區(qū)別。
人工智能和大數(shù)據(jù)是人們耳熟能詳?shù)牧餍行g語，但也可能會有一些混淆。人工智能和大數(shù)據(jù)有什么相似之處和不同之處？它們有什么共同點嗎？它們是否相似？能進行有效的比較嗎？
這兩種技術所具有的一個共同點是興趣。NewVantage Partners公司對企業(yè)管理人員進行的大數(shù)據(jù)和人工智能調(diào)查發(fā)現(xiàn)，97．2％的企業(yè)高管表示他們的公司正在投資、構建或啟動大數(shù)據(jù)和人工智能計劃。
更重要的是，76．5％的企業(yè)高管認為人工智能和大數(shù)據(jù)密切相關，數(shù)據(jù)的更大可用性正在增強其組織內(nèi)的人工智能和認知。
有人認為將人工智能與大數(shù)據(jù)結合在一起是一個很自然的錯誤，其部分原因是兩者實際上是一致的。但它們是完成相同任務的不同工具。但首先要做的事是先弄清二者的定義。很多人并不知道這些。
咨詢巨頭PriceWaterhouse Coopers公司的高級研究員Alan Morrison說：“我發(fā)現(xiàn)很多人對真正的大數(shù)據(jù)或大數(shù)據(jù)分析并不太了解，或者只是以幾個突出的例子來了解人工智能。”
人工智能與大數(shù)據(jù)的區(qū)別
他說，人工智能與大數(shù)據(jù)一個主要的區(qū)別是大數(shù)據(jù)是需要在數(shù)據(jù)變得有用之前進行清理、結構化和集成的原始輸入，而人工智能則是輸出，即處理數(shù)據(jù)產(chǎn)生的智能。這使得兩者有著本質(zhì)上的不同。
人工智能是一種計算形式，它允許機器執(zhí)行認知功能，例如對輸入起作用或作出反應，類似于人類的做法。傳統(tǒng)的計算應用程序也會對數(shù)據(jù)做出反應，但反應和響應都必須采用人工編碼。如果出現(xiàn)任何類型的差錯，就像意外的結果一樣，應用程序無法做出反應。而人工智能系統(tǒng)不斷改變它們的行為，以適應調(diào)查結果的變化并修改它們的反應。
支持人工智能的機器旨在分析和解釋數(shù)據(jù)，然后根據(jù)這些解釋解決問題。通過機器學習，計算機會學習一次如何對某個結果采取行動或做出反應，并在未來知道采取相同的行動。
大數(shù)據(jù)是一種傳統(tǒng)計算。它不會根據(jù)結果采取行動，而只是尋找結果。它定義了非常大的數(shù)據(jù)集，但也可以是極其多樣的數(shù)據(jù)。在大數(shù)據(jù)集中，可以存在結構化數(shù)據(jù)，如關系數(shù)據(jù)庫中的事務數(shù)據(jù)，以及結構化或非結構化數(shù)據(jù)，例如圖像、電子郵件數(shù)據(jù)、傳感器數(shù)據(jù)等。
它們在使用上也有差異。大數(shù)據(jù)主要是為了獲得洞察力，例如Netflix網(wǎng)站可以根據(jù)人們觀看的內(nèi)容了解電影或電視節(jié)目，并向觀眾推薦哪些內(nèi)容。因為它考慮了客戶的習慣以及他們喜歡的內(nèi)容，推斷出客戶可能會有同樣的感覺。
人工智能是關于決策和學習做出更好的決定。無論是自我調(diào)整軟件、自動駕駛汽車還是檢查醫(yī)學樣本，人工智能都會在人類之前完成相同的任務，但速度更快，錯誤更少。
人工智能和大數(shù)據(jù)協(xié)同工作
雖然它們有很大的區(qū)別，但人工智能和大數(shù)據(jù)仍然能夠很好地協(xié)同工作。這是因為人工智能需要數(shù)據(jù)來建立其智能，特別是機器學習。例如，機器學習圖像識別應用程序可以查看數(shù)以萬計的飛機圖像，以了解飛機的構成，以便將來能夠識別出它們。
當然，這是數(shù)據(jù)準備的重要步驟，Morrison指出，“人們開始使用的數(shù)據(jù)是大數(shù)據(jù)，但是為了訓練模型，數(shù)據(jù)需要結構化和集成到足夠好的程度，以便機器能夠可靠地識別數(shù)據(jù)中的有用模式。”
大數(shù)據(jù)提供了大量的數(shù)據(jù)，而有用的數(shù)據(jù)必須首先從大量繁雜的數(shù)據(jù)中心分離出來，然后再做任何事情。人工智能和機器學習中使用的數(shù)據(jù)已經(jīng)被“清理”了，無關的、重復的和不必要的數(shù)據(jù)已經(jīng)被清除。所以這是第一步。
在此之后，人工智能可以蓬勃發(fā)展。大數(shù)據(jù)可以提供訓練學習算法所需的數(shù)據(jù)。有兩種類型的數(shù)據(jù)學習：初始培訓可以定期收集數(shù)據(jù)。人工智能應用程序一旦完成最初的培訓，并不會停止學習。隨著數(shù)據(jù)的變化，它們將繼續(xù)接收新數(shù)據(jù)，并調(diào)整它們的行動。因此，數(shù)據(jù)是最初的和持續(xù)的。
這兩種計算方式都使用模式識別，但方式有所不同。大數(shù)據(jù)分析通過順序分析來找到模式，有時候是冷數(shù)據(jù)，或者是沒有收集到的數(shù)據(jù)。Hadoop是大數(shù)據(jù)分析的基本框架，它是最初設計用于在低服務器利用率的夜間運行的批處理過程。
機器學習從收集的數(shù)據(jù)中學習并不斷收集。例如，自動駕駛汽車從未停止收集數(shù)據(jù)，并且不斷學習和磨練其流程。數(shù)據(jù)總是以新鮮的方式出現(xiàn)并始終采取行動進行處理。
大數(shù)據(jù)在人工智能中的作用
人工智能一直在被人們關注。很多人對1999年推出的一部電影“黑客帝國”的情節(jié)記憶猶新，人類與那些變得聰明的機器殊死搏斗。但在現(xiàn)實的實施過程中，人工智能直到最近一直是邊緣技術。
人工智能實現(xiàn)最大的飛躍是大規(guī)模并行處理器的出現(xiàn)，特別是GPU，它是具有數(shù)千個內(nèi)核的大規(guī)模并行處理單元，而不是CPU中的幾十個并行處理單元。這大大加快了現(xiàn)有的人工智能算法的速度，現(xiàn)在已經(jīng)使它們可行。
大數(shù)據(jù)可以采用這些處理器，機器學習算法可以學習如何重現(xiàn)某種行為，包括收集數(shù)據(jù)以加速機器。人工智能不會像人類那樣推斷出結論。它通過試驗和錯誤學習，這需要大量的數(shù)據(jù)來教授和培訓人工智能。
人工智能應用的數(shù)據(jù)越多，其獲得的結果就越準確。在過去，人工智能由于處理器速度慢、數(shù)據(jù)量小而不能很好地工作。也沒有像當今先進的傳感器，并且當時互聯(lián)網(wǎng)還沒有廣泛使用，所以很難提供實時數(shù)據(jù)。
如今，人們擁有所需要的一切：快速的處理器、輸入設備、網(wǎng)絡和大量的數(shù)據(jù)集。毫無疑問，沒有大數(shù)據(jù)就沒有人工智能。
