AI 概述 - SAFe AI 基础

新闻

作者：微信文章

本文转载自SAI SAFe规模化敏捷官网

我们的研究表明，实施 SAFe 可以带来显著的、可衡量的业务价值。

-Gartner，10 Essential Practices for Success When Implementing SAFe

SAI 将推出 SAFe Copilot, 它是一款现代的生成式人工智能聊天代理，其风格与ChatGPT和Gemini等流行代理类似，与基本的AI理论保持一致，用户可以输入任何他们想要的提示，从外管局的问题到协助他们工作的请求，以收到定制的回复。所以这里先和大家一起回顾一些基本的 AI 理论，以促进学习和理解。

00概述

人工智能（AI）已从科幻电影中的一个主题迅速发展成为商业和个人生活中的现实。自 20 世纪 50 年代阿兰-图灵的开创性工作以来，人工智能一直是科学研究和实验的重点。虽然图灵和其他研究人员提出的理论具有划时代的意义，但当时的技术水平不足，成本过高，无法实现这些早期算法的潜力。

随着生成式人工智能在海量数据和计算能力的支持下迅速崛起，这项技术已成为人们日常谈论和使用的话题。几乎所有企业都在探索如何利用人工智能改善运营，并为产品增加创新功能。几乎每个人也在探索人工智能在个人和职业生活中的应用方式。这种快速发展的技术所固有的挑战也是每日新闻的焦点。

下文将对不同类型的人工智能及其最常见的使用案例进行基本介绍。

01 详解

人工智能（AI）是一类能够执行通常需要人类智能才能完成的任务的软件。目前使用的人工智能模式有多种类型。

01.1 > ...了解人工智能的基本类型

人工智能的潜在应用非常广泛，几乎影响到商业和消费者生活的方方面面。当今的许多人工智能系统都基于机器学习（ML）。基于 ML 的解决方案旨在根据经验和数据进行自主改进。不过，有些人工智能架构并不涉及机器学习，而是基于一套全面的静态规则，其中包含一些复杂的推理。

其他人工智能架构，包括生成式人工智能，则建立在深度学习和神经网络的基础上。图 1 和下文提供了各种人工智能和机器学习方法的类型和解释。图中还说明了这些技术可实现的一些功能。请注意，图 1 中的某些功能可以通过一种以上的人工智能方法来构建。



图 1. AI 的类型

本图表说明了人工智能的不同类型：

监督学习 无监督学习 强化学习 深度学习

每种类型的区别在于如何实现学习。所有类型都涉及三个主要组成部分：数据、学习算法和学习模型，如图 2 所示。



图2. 机器学习的三个关键组成部分

图中所示的每种类型都将在接下来的章节中详细介绍

监督学习

监督学习利用训练数据来指导模型如何产生所需的输出（图 3）。训练数据必须包含输入和作为标签的所需输出。学习算法通过模型运行输入，将输入与标签进行比较，然后计算模型输出。



图 3. 监督学习

算法会调整模型参数，并重复这一过程，直到达到足够低的错误率。之所以称其为 "监督式"，是因为所需的输出与输入一起提供，并用于 "监督 "或 "指导 "学习过程。除非数据最初包括输入和标签，否则在训练模型之前需要一个 "标签 "过程。

监督学习有助于检测已知模式（欺诈交易、垃圾邮件）和数据分类（图像识别、文本情感分析）。在某些情况下，输出数据可能是现成的，或者很容易以自动方式获得（例如，用于人脸识别的客户姓名与个人资料照片或用于情感检测的产品评论文本旁边的五星评级分数；这种情况通常被称为自监督学习）。识别数据的这些方面为将监督学习应用于组织流程提供了绝佳的机会。

无监督学习

与前一种方法不同，无监督学习不利用任何反馈机制。相反，它仅通过分析数据的内部结构来提取有价值的信息。



图 4. 无监督学习

无监督学习具有显著的优势，因为输入数据不需要标记，允许学习算法使用大量数据。这种方法使无监督学习功能的扩展更加容易。

这类人工智能算法适用于数据聚类、异常检测、关联挖掘和潜在变量提取任务。这些过程根据相似性对数据进行分区，并在数据中建立现有关系，供其他解决方案能力或功能使用。这类任务的一些常见用例包括客户或产品细分、相似性检测和推荐系统。非监督学习也可以作为监督学习流程中更广泛链条中的一个环节加以利用，将数据标记扩展到未标记的数据集。

强化学习

强化学习（Reinforcement Learning）与监督学习（Supervised Learning）类似，因为它也涉及到验证模型的反馈机制。不过，在这种情况下，反馈并不依赖于标记数据。取而代之的是，系统在特定的环境中行动，并获得一个奖励函数，帮助模型学习怎样的行动会带来成功的结果。因此，学习算法会产生探索活动，并选择能带来最高奖励的方案。



图 5. 强化学习

强化学习可应用于机器人、游戏、决策支持系统、个性化推荐、竞标和广告，以及其他可对模拟探索行为进行价值评估的领域。

深度学习

深度学习是基于人工神经网络（ANN）的机器学习模型的标签。深度学习可有效地应用于监督学习、无监督学习和强化学习，在许多实际任务中，其结果可媲美或超越人类专家的表现。人工神经网络大致仿照大脑神经元的结构。人工神经网络有输入和输出，由一组相连的神经元组成。这种模型的一个例子是，神经网络接受图像中像素的颜色作为输入，并确定图像中物体的类型作为输出。



图 6：应用于模式识别的深度神经网络 应用于模式识别的深度神经网络

每个连接都有特定的权重，可以增强或抑制信号。当通向某个神经元的所有连接都传递出足够强的累积信号时，该神经元就会激活，并将信号传递给更下游的其他神经元。

具有多个隐藏层的神经网络被称为深度神经网络，是深度学习的基础架构。

生成式人工智能

生成式人工智能是深度学习人工智能的一种，它侧重于通过机器学习算法创造新的内容和体验。它正在彻底改变企业运营和创造价值的方式。每周都有数百家新创公司成立，在这项技术的基础上提供以前无法想象的功能。市场领先的软件公司正在将生成式人工智能功能添加到现有产品中，并创建由人工智能驱动的全新产品。

生成式人工智能与其他类型的人工智能不同，它侧重于创建原创内容。与其他建立在监督学习和强化学习基础上的人工智能应用不同，生成式人工智能算法经过训练后可生成全新的输出，如图像、视频或文本。这使得生成式人工智能成为企业实现创意任务自动化、生成数字资产和推动创新的有力工具。其他人工智能应用旨在识别现有数据中的模式，而生成式人工智能则专注于生成新的、独特的内容，这些内容在训练数据中是看不到的。



图 7. 生成式人工智能

生成式人工智能正在重塑业务实践，使营销团队能够制作定制的广告内容和逼真的产品图像，从而大幅缩短设计和生产周期。在运营方面，人工智能驱动的数据录入、发票开具和报告生成自动化正在将员工解放出来，让他们从事更高层次的工作，从而优化劳动力生产率。在软件开发方面，GitHub Copilot 等人工智能辅助编码工具帮助程序员编写更高效的代码，加快开发时间并提高质量。

与此同时，生成式人工智能还有助于产品开发中的快速原型设计和测试，在提高创新能力的同时缩短产品上市时间。上述每一项应用都彰显了生成式人工智能在通过切实可行的改进增强业务功能方面的关键作用。

01.2 > ...人工智能的持续发展

虽然生成式人工智能带来了直到最近才出现的新功能，但这一最新进展并不是人工智能潜力的终点。生成式人工智能的未来发展刚刚开始，包括多模态生成式人工智能和交互式人工智能代理。

多模态生成式人工智能可以生成文本、图像、音频和视频等多种类型的数据内容。这些系统可以理解和解释这些不同模式的数据，使它们能够执行任务，如根据文本描述创建图像或合成复杂的多模态内容。通过模仿人类交流和创造力的多面性，这项技术将在内容创建、娱乐和教育领域实现新的应用。

交互式人工智能代理提供更细致入微的互动，通过自然语言处理和理解与日常任务无缝集成，提供个性化建议、支持和学习体验。这些代理将发展成为专业和个人环境中不可或缺的个人助理。

了解更多：

[1] Anyoha, R. The History of Artificial Intelligence. Science in the News, Harvard Graduate School of Arts and Sciences, 2017.





优质好课介绍：🚀 Leaning SAFe6认证课⏰开课时间：09月20日-21日
北京线下+外地线上同步
❗️2天1晚沉浸式学习⭕️全程70%以上实战演练㊗️500强案例深度剖析，快速掌握知识技能，轻松拿证！😇赶快上车吧，错过再等3个月




关于翰德恩咨询(www.hardenx.cn)：是一家由华为系专家联合创办，专注于企业级敏捷&DevOps落地咨询、IPD落地咨询和数字化转型教育的企业，沉淀10年+的众多500强实战经验，为企业提供从业务到交付的端到端全价值链赋能。
👉课程体系详情，请戳： 企业级敏捷的完整体系👉课程体系详情，请戳：IPD流程的完整体系