人工智慧進入了一切領域——從自動駕駛汽車，到自動回覆電子郵件，再到智慧家居。 你似乎可以獲得任何商品（例如醫療健康，飛行，旅行等），並通過人工智慧的特殊應用使其更加智慧。所以除非你相信事件具有終結者般的轉折，你可能會問自己，人工智慧能夠預示著工作場所或整體的業務線的什麼利益。

　　人工智慧主要有三個分支：

◆ ◆ ◆

1) 認知AI （cognitive AI）

　　認知計算是最受歡迎的一個人工智慧分支，負責所有感覺“像人一樣”的互動。認知AI必須能夠輕鬆處理複雜性和二義性，同時還持續不斷地在資料探勘、NLP（自然語言處理）和智慧自動化的經驗中學習。

　　現在人們越來越傾向於認為認知AI混合了人工智慧做出的最好決策和人類工作者們的決定，用以監督更棘手或不確定的事件。這可以幫助擴大人工智慧的適用性，並生成更快、更可靠的答案。

◆◆ ◆

2) 機器學習AI （Machine Learning AI）

　　機器學習（ML）AI是能在高速公路上自動駕駛你的特斯拉的那種人工智慧。它還處於電腦科學的前沿，但將來有望對日常工作場所產生極大的影響。機器學習是要在大資料中尋找一些“模式”，然後在沒有過多的人為解釋的情況下，用這些模式來預測結果，而這些模式在普通的統計分析中是看不到的。

　　然而機器學習需要三個關鍵因素才能有效：

　　a) 資料，大量的資料

　　為了教給人工智慧新的技巧，需要將大量的資料輸入給模型，用以實現可靠的輸出評分。例如特斯拉已經向其汽車部署了自動轉向特徵，同時傳送它所收集的所有資料、駕駛員的干預措施、成功逃避、錯誤警報等到總部，從而在錯誤中學習並逐步銳化感官。 一個產生大量輸入的好方法是通過感測器：無論你的硬體是內建的，如雷達，相機，方向盤等（如果它是一輛汽車的話），還是你傾向於物聯網(Internet of Things)。藍芽信標、健康跟蹤器、智慧家居感測器、公共資料庫等只是越來越多的通過網際網路連線的感測器中的一小部分，這些感測器可以生成大量資料（多到讓任何正常的人來處理都太多）。

　　b) 發現

　　為了理解資料和克服噪聲，機器學習使用的演算法可以對混亂的資料進行排序、切片並轉換成可理解的見解。（如果你想嚇跑你的同事，請先聽聽常用的不同排序演算法）

　　從資料中學習的演算法有兩種，無監督演算法和有監督演算法。

　　無監督演算法只處理數字和原始資料，因此沒有建立起可描述性標籤和因變數。該演算法的目的是找到一個人們沒想到會有的內在結構。這對於深入瞭解市場細分，相關性，離群值等非常有用。

　　另一方面，有監督演算法通過標籤和變數知道不同資料集之間的關係，使用這些關係來預測未來的資料。這可能在氣候變化模型、預測分析、內容推薦等方面都能派上用場。

　　c) 部署

　　機器學習需要從電腦科學實驗室進入到軟體當中。越來越多像CRM、Marketing、ERP等的供應商，正在提高嵌入式機器學習或與提供它的服務緊密結合的能力。

◆◆ ◆

3) 深度學習(Deep Learning)

　　如果機器學習是前沿的，那麼深度學習則是尖端的。這是一種你會把它送去參加智力問答的AI。它將大資料和無監督演算法的分析相結合。它的應用通常圍繞著龐大的未標記資料集，這些資料集需要結構化成互聯的群集。深度學習的這種靈感完全來自於我們大腦中的神經網路，因此可恰當地稱其為人工神經網路。

　　深度學習是許多現代語音和影象識別方法的基礎，並且與以往提供的非學習方法相比，隨著時間的推移具有更高的準確度。

　　希望在未來，深度學習AI可以自主回答客戶的諮詢，並通過聊天或電子郵件完成訂單。 或者它們可以基於其巨大的資料池在建議新產品和規格上幫助營銷。或者也許有一天他們可以成為工作場所裡的全方位助理，完全模糊機器人和人類之間的界限。

　　人工智慧通過在其上使用的資料規模來生存和改進，這意味著不但我們能夠隨著時間的推移看到更好的人工智慧，而且它們的發展將會圍繞著那些可以挖掘最大資料集的組織。