AI 與機器學習之間有何區別？
人工智慧 (AI) 是一個廣泛的定義，任何讓機器更像人類的科技或技術都可以稱為人工智慧。從智慧助理如 Alexa 到打掃機器人和自動駕駛汽車，它們都是一種 AI。機器學習 (ML) 是 AI 眾多分支中的一個。ML 是一門開發演算法和統計模型的科學，這些算法和模型可以讓電腦系統執行複雜的任務，而不需要由人類輸入精確的指令。系統依賴模式和推論。電腦系統使用 ML 演算法處理大量的歷史資料，並從中找出資料的模式。因此，機器學習是一種 AI，但並非所有 AI 活動都是機器學習。
人工智慧和機器學習有何相似之處？
機器學習 (ML) 是人工智慧 (AI) 的狹意分支。但是，這兩個領域都超越了基本的自動化和程式設計，以根據複雜的資料分析產生輸出。
似人類解決問題
人工智慧和機器學習 (AI/ML) 解決方案適用於複雜的任務，這些任務一般需要依據學習的知識所取得的精確結果。
舉例來說，自動駕駛 AI 汽車使用電腦視覺，來識別其視野中的物件，以及運用交通法規知識來駕駛車輛。
又比如，房地產定價 ML 演算法套用之前的銷售價格、市場條件、平面圖和位置知識，來預測房屋的價格。
電腦科學領域
人工智慧和機器學習屬於電腦科學領域，專注於打造以複雜方式進行分析、解釋和理解資料的軟體。這些領域內的科學家設法對電腦系統進行程式設計，以執行涉及自我學習的複雜任務。使用精心設計的軟體，完成任務的速度可與人員相當或者更快。
跨產業應用
AI 的運用遍及所有行業。您可以使用 AI 來最佳化供應鏈、預測體育賽事結果、改善農業成果，以及個人化護膚建議。
ML 的運用也很廣泛。其中包括預測性機械維護排程、動態差旅定價、保險詐騙偵測，以及零售需求預測。
主要差異：人工智慧與機器學習
機器學習 (ML) 是人工智慧 (AI) 的特定分支。相較於 AI，ML 的範圍和焦點有限。AI 包括多種超出機器學習範圍的策略和技術。
以下是兩者之間的一些主要差異。
目標
任何 AI 系統的目標都是讓機器有效地完成複雜的人工任務。此類任務可能涉及學習、解決問題和模式識別。
另一方面，ML 的目標是讓一部機器分析大量資料。機器將使用統計模型來識別資料中的模式並產生結果。結果具有正確性或信心程度的關聯概率。
Methods
AI 領域涵蓋用於解決各種問題的多種方法。這些方法包括基因體演算法、神經網路、深度學習、搜尋演算法、以規則為基礎的系統，以及機器學習本身。
在 ML 中，方法分為兩大類：監督式學習與非監督式學習。監督式 ML 演算法學習使用標記為輸入和輸出的資料值，來解決問題。非監督式學習更具探索性，並嘗試探索未標記資料中的隱藏模式。
實作
建置 ML 解決方案的程序通常涉及兩項任務：
- 選取並準備訓練資料集
- 選擇預先存在的 ML 策略或模型，例如線性迴歸或決策樹
資料科學家會選取重要的資料特徵，並將其饋送至模型中以進行訓練。他們會使用更新的資料和錯誤檢查，來持續精簡資料集。資料品質和多樣性可改善 ML 模型的準確性。
建置 AI 產品通常是更複雜的程序，因此，許多人選擇預先建置的 AI 解決方案來實現其目標。這些 AI 解決方案一般經過多年的研究開發，並且開發人員可透過 API 與產品和服務進行整合。
要求
ML 解決方案需要數百個資料點的資料集來進行訓練，加上足夠的運算能力才能執行。視乎您的應用程式和使用案例而定，單一伺服器執行個體或小型伺服器叢集可能就已足夠。
其他智慧型系統可能會有不同的基礎設施需求，這取決於您要完成的任務，以及您使用的運算分析方法。高運算使用案例需要數千部機器共同運作，才能實現複雜的目標。
但請務必注意，預先建置的 AI 和 ML 功能都可使用。您可以透過 API 將其整合至應用程式，而不需要額外的資源。
組織開始使用 AI 和機器學習需要做哪些準備？
如果您想要使用人工智慧 (AI) 或機器學習 (ML)，首先定義您要解決的問題或研究您想要探索的問題。識別問題空間後，您可以確定適當的 AI 或 ML 技術來解決問題。在開始之前，請務必考慮可用訓練資料的類型和大小，並預先處理資料。
藉助隨需雲端服務，您可以建立、執行和管理 AI。此外，您還可以從 Amazon Web Services (AWS) 雲端建立、執行和管理學習功能。
組織如何使用 AI 和 ML？
部分機器學習 (ML) 解決方案適用於大多數組織：
- 客戶區隔即透過其行為、喜好和特徵，對客戶進行進一步的銷售和行銷活動以進行區隔。閱讀 Lion Parcel 如何使用 AWS 進行客戶區隔。
- 詐騙偵測即對發現的異常交易進行分類和處理。閱讀 Luno 如何使用 AWS 進行詐騙偵測。
- 情緒分析即整合客戶意見回饋，以影響產品策略和行銷。閱讀 Zignal Labs 如何使用 AWS 進行情緒分析。
以下是適用於大多數組織的人工智慧 (AI) 解決方案：
- 聊天機器人適用於客戶服務查詢和分類。閱讀 MetroPlusHealth 如何將 AWS 用於聊天機器人。
- 語音識別非常適合將會議轉錄為書面會議記錄。閱讀 Epiq 如何使用 AWS 進行語音識別。
- 電腦視覺非常適合用於生物識別系統。閱讀 PayEye 如何使用 AWS 運用電腦視覺。
差異摘要：AI 與機器學習
| 人工智慧 |
機器學習 |
|
| 這是什麼？ |
AI 在廣義上用於描述模仿人類智慧的機器型應用程式。並非所有 AI 解決方案都是 ML。 |
ML 是一種人工智慧方法。所有 ML 解決方案都是 AI 解決方案。 |
| 最適合 |
AI 最適合用於高效地完成複雜的人工任務。 |
ML 最適合用於識別大型資料集中的模式，以解決特定問題。 |
| Methods |
AI 可能會使用多種方法，例如以規則為基礎的神經網路、電腦視覺等。 |
針對 ML，人員必須從原始資料中手動選取和擷取特徵，並指派權重來訓練模型。 |
| 實作 |
AI 實作取決於任務。AI 通常會預先建置並透過 API 存取。 |
您可以針對特定使用案例，訓練新的或現有的 ML 模型。提供預先建置的 ML API。 |
AWS 如何支援您的 AI 和機器學習需求？
AWS 提供廣泛的服務，可協助您建置、執行和整合任何規模、複雜性或使用案例的人工智慧和機器學習 (AI/ML) 解決方案。
Amazon SageMaker 是一個完整的平台，可讓您從頭開始建置機器學習解決方案。SageMaker 擁有一整套預先建置的機器學習模型、儲存和運算功能，以及全受管環境。
針對 AI，您可以使用 AWS 服務從頭開始建置自己的 AI 解決方案，或將預先建置的人工智慧 (AI) 服務整合至您的解決方案。
