人工智能（AI）已经成为我们日常生活的基本组成部分，并且被超过一半的意大利重要公司所采用。每个人都知道无人驾驶汽车 或 语音助手 ，例如苹果的Siri 、微软的Cortana或谷歌的Alexa，但也有很多鲜为人知的例子。
这些先进的系统具有自主学习的能力，可以帮助我们选择符合我们品味的产品、电影或音乐，通过聊天管理与客户的互动，识别面部以授权访问，根据内容组织文档，协助医疗保健专业人员分析诊断图像并做出诊断，并选择最合适的简历以找到完美的工作候选人。
事实证明，在业务流程中采用人工智能可以带来显著的益处，它可以自 whatsApp 号码数据 动执行以前由人类执行的重复性和低价值任务，最大限度地减少错误，并促进新产品和服务的创造。这仅仅是一个开始：未来几年我们期待更加彻底的转变。
世界领先的公司已开始探索这些新领域，那些率先取得切实成果的公司将拥有决定性的竞争优势。
人工智能的诞生
人工智能 (AI) 的起源可以追溯到 1943 年，这一年沃伦·麦卡洛克 (Warren McCulloch)和沃尔特·皮特 (Walter Pitt)构想了第一个神经网络，即旨在模拟人类大脑神经功能以解决各种问题的数学模型。然而，直到 20 世纪 50 年代末，人们对人工智能的兴趣才开始显著增强。 1950 年，艾伦·图灵提出了计算机可以模拟人类行为的想法。
美国数学家约翰·麦卡锡(John McCarthy) 于 1956 年将该领域命名为“人工智能”，他也是开发第一批专用于人工智能的编程语言的先驱，例如Lisp (1958 年) 和Prolog (1973 年)，这些语言可以制定问题的一般解决方案。
自 20 世纪 80 年代以来，人们对人工智能的兴趣时起时落，数学模型取得了重大进步，越来越能够复制大脑功能，例如模式识别。然而，在此期间，人们对神经网络以及硬件的关注较少。
20 世纪 90 年代，随着 GPU （图形处理单元）的出现，情况再次发生了变化，GPU 是一种比传统 CPU 快得多的图形处理芯片，主要应用于视频游戏领域，但被证明能够加速复杂的处理任务，重新引起了人们对人工智能的兴趣。
什么是人工智能
我们可以将人工智能定义为计算机科学的一门学科，专注于创建能够模拟人类智能特征功能的硬件和软件系统，自主运行以实现特定目标并做出先前委托给人类的决策。
这些人类能力主要包括分析和解释自然语言（通过自然语言处理或NLP）和图像（通过图像处理），以及学习、推理、规划和与人类、其他机器和周围环境的交互。
与直接依赖开发人员手工编码的传统计算机程序不同，人工智能系统使用机器学习方法。这意味着建立旨在分析大量数据的算法，系统能够从中自主发展自己的理解和决策能力。
不同类型的人工智能
在现行的人工智能（AI）系统中，基本上可以识别出五个主要类别：
- 对话式人工智能：这些聊天机器人和虚拟助手旨在使用自然语言模仿人类对话，利用大量数据集来解释口头或书面输入，处理问题，理解问题并提供快速有效的答复。
- 预测性人工智能：通过分析当前数据和检查历史趋势，在人工智能和机器学习算法的支持下，这种形式的人工智能能够预测未来的发展或事件。
- 生成式人工智能：这项技术允许您从简单的初始指令创建文本、图像、视频甚至源代码等内容，大大简化了数字内容和软件的制作。
- 自主人工智能：这一类别被认为是人工智能最有趣同时也是最具争议的演变，它包括完全独立于任何人类交互或命令运行的系统，无需监督即可自主行动。
- 通用人工智能（AGI）：这一术语描述了人工智能研究的前沿，人们设想软件可以自主学习并执行不同复杂程度的任务，接近有意识和思考能力的人类的能力。
学习模型
人工智能的独特之处，无论从技术角度还是方法论角度而言，在于 Facebook 在 B2B 领域已过时但仍然有意义！ 采用何种学习方法或模型来使智能能够执行特定的任务或动作。正是这些学习模式将机器学习与深度学习区分开来。
机器学习
这些系统旨在“训练”软件，使其能够通过错误纠正来学习独立执行任务或活动。以配备人工智能的机械臂为例：即使部件不在预期的位置，它也能够组装部件。发生这种情况的原因是，该算法不是仅仅依赖于预先设定的坐标，而是激活了一个视觉识别系统，该系统可以在手臂可到达的整个区域中搜索组件。
如果机器或提供零件的操作员再次出现错误，机器人就会学习新的位置作为 正确位置并直接前往那里寻找零件。在这种背景下，机器学习正朝着一种研究方向发展，这种研究方向倾向于使用以可 变深度层次构建的神经网络，这种方法称为深度学习。
深度学习
这些学习模型于2012年出现，其灵感来自于人类大脑的结构和运作机制，试图复制人类的认知过程。在这个领域，简单的数学模型是不够的：深度学习需要实现专门的人工神经网络（称为深度神经网络）和强大的计算能力，以处理类似于大脑中神经连接的不同级别的处理和分析。
虽然它看起来像是一种未来的技术，但这些系统如今已经广泛应用于模式识别、语音和图像识别以及自然语言处理（NLP）应用。
业务流程中的人工智能
人工智能虽然起源于 20 世纪 50 年代，但直到最近才真正迎来 新加坡数据 实际应用的爆炸式增长，这要归功于处理能力的重大进步、大量数据的可用性以及用于分析这些数据以解决复杂问题的先进技术的进步。
如今，人工智能的核心技术已经得到整合，并通过 API 和基于云的服务以具有竞争力的价格为更广泛的受众所用。然而，将 AI 融入现有业务流程需要仔细规划。
尽管直到十年前，企业采用人工智能的主要困难与缺乏足够的工具或分析能力不足有关，但目前的挑战主要是文化性质的，并且与对专业技能的需求有关。专家表示，目前人工智能项目中70%的精力用于流程重构，只有20%的精力用于算法开发，另外10%用于技术方面。