AI、机器学习和深度学习的区别及应用

人工智能（AI）、机器学习（ML）、深度学习和神经网络虽然相似，但它们都具有特定的任务和角色。

人工智能（AI）和机器学习（ML）技术是一个复杂的概念，要理解AI/ML，必须掌握术语和各种概念之间的差异。许多人使用AI、ML、深度学习和神经网络等词汇来描述智能机器技术的不同方面。事实是，在执行哪些任务以及如何执行任务上，它们之间存在着很大不同。

理解AI和ML与人类决策过程的关系并提供示例，将有助于解释AI是如何扩展和应用到工业领域的。

01

人工智能与机器学习的区别

人工智能是机器做出决策的能力，就像人类做决定一样。机器可以对反复出现的情况进行处理，并选择以不同的方式进行处理，即使从表面上看，每次的情况似乎都是相同的。

例如以选择一条行驶路线为例。我父母最近搬到了邻县的一个城镇。我去看他们时，可以从两条不同的路线中选择。每条路线都有优点和缺点。我选择路线是基于我对这些优点和缺点的看法，并根据当时的想法和感受进行过滤。与之类似，一个好的人工智能可以“考虑”传感器读数和机器工况之外的数据，以便智能高效地运行。

AI与ML的区别在于，前者呈现实际的智能决策过程，而后者是机器收集信息以做出决策并为决策过程提供信息的过程。

就像人类一样，机器必须收集数据并得出结论才能做出决定。这需要时间来收集足够的、代表正在运行系统的数据，并需要时间对数据进行分析，以得出结果。数据收集涉及尝试不同的运行参数以查看对结果的影响。这被称为“训练机器”。

数据分析通常被称为“阅读数据中的故事”，然后将这些信息封装成简单的结论/规则，以便稍后用于参考。这就是一个机器学习的简单过程。

再次借用驾驶来做类比，在多次行驶后，我选择了两条不错的路线。A路线是一条令人愉快但蜿蜒曲折的乡间小路，所以它不是去我父母家最快的路。然而，所需要时间为60分钟左右，每次变化不太大，不管是更快或更慢，很少超过几分钟。B路线是一条直达公路，通常要快得多，但堵车和红绿灯会影响行车时间。其它路线差异可能会影响选择。如果一辆自动驾驶汽车在我的路线上执行ML规则，它将从收集的数据中读取以下信息。

路线A的行车时间几乎不变。如果我的目的是去接妈妈赴约，并确保她准时到达，那么这就是最好的方法。但是沿途没有各种服务，所以如果汽油不足，我会去没有加油站的路线吗？如果我有压力，我是想直接回家，还是想找机会在路上吃点东西？如果爸爸有麻烦，我会选择可能更快的B路线吗？B路线的另一个信息是，一天中不同时间所需的行车时间不同。

ML对过程的所有数据进行梳理，以多种方式对其进行分析，并找到这些“故事”背后的规则或相关性。

▲自动驾驶汽车将使用ML分析行程数据并选择最佳路线。

生物柴油生产系统是ML在工业应用中的一个例子。如果在将大豆加工成生物柴油燃料的机器过程中采用ML，那么将提高质量和效率。这一切，都是通过制定一套ML规则来实现的，该规则考虑了湿度、含水量、温度，甚至土壤化学（如果可用的话）。这台机器将在运行中完善其流程，从而使产量不断提高。

02

深度学习和机器学习的区别

ML是一组简单规则的开发，用于对过程进行决策。条件和响应之间存在重要的相关性涉及到的数据点之间的交互，要比ML的规则更复杂。

这些复杂的交互涉及一个“隐藏层”。隐藏层交互意味着决策并不总是从问题到输出，但在从问题到执行的过程中，它们可能会遇到其它问题或条件。例如，我需要准时到达妈妈的家，（但我的汽油不足，或者我的车况不太好，我会冒着在偏僻的地方抛锚的风险吗？我有压力，山丘和田野会很平静，但驾车经过奶昔店则会令我更开心），所以我最终选择了线路B。

这个隐藏层是神经网络/深度学习和ML之间的区别。这种决策形式近似于人脑神经元的交互方式。

▲图：隐藏层需要考虑多个输入来做出决定，因此它不一定遵循最快路径。

03

深度学习与神经网络的应用

深度学习和神经网络的区别在于隐藏层的深度。一般来说，神经网络的隐藏层要比实现深度学习的系统浅得多，而深度学习的在隐藏层可以有很多层。

CDM Smith公司的自动化工程师Francisco Alcala，举了一个深度学习/神经网络在面部识别中的应用。尽管戴着眼镜、墨镜、留着胡子，或者从高中毕业后就没再见过某人，但人们仍可以认出这张脸，这就是神经网络或深度学习系统隐藏层交互作用的结果。

视觉识别是开发深度学习模型的驱动力之一。面部识别在安全和访问控制方面有着重要的应用。在高速制造环境中识别标签、容器或产品颜色，可以影响质量并减少浪费。

Alcala在供水/污水处理领域有丰富的经验，他开发了监控和数据采集（SCADA）程序，训练供水系统更好地管理水泵和能源以满足需求。SCADA程序还可以通过某些条件的出现来预测和预防后续事件的发生，从而改进对水分析。

现在的工业系统和机器已经开始使用AI/ML技术做出决策，而这些决策将变得更加复杂。通过理解AI/ML背后的基本概念，控制工程师就会拥有实施AI/ML所需的构建模块，这样机器就可以使用可用的数据，更高效地运行并改进运营。

编辑：黄飞