人工智能七个模式分别应用或以不同的组合应用

从自动驾驶汽车、预测分析应用程序、人脸识别，到聊天机器人、虚拟助手、认知自动化和欺诈检测，人工智能的用例很多。然而，不管AI的应用如何，所有这些应用都是有共性的。那些参与实现了数百甚至数千个人工智能项目的人意识到，尽管应用程序有这么多的多样性，人工智能用例仍然属于七个常见模式中的一个或多个。这七个模式是：超个性化、自主系统、预测分析和决策支持、会话/人机交互、模式和异常、识别系统和目标驱动系统。任何定制的人工智能方法都需要它自己的编程和模式，但是不管这些趋势用在什么组合中，它们都遵循自己的标准规则集。根据应用人工智能的特定解决方案，这七个模式分别应用或以不同的组合应用。

超个性化模式：将每个客户视为个体

超个性化模式被定义为使用机器学习来开发每个个体的文件，然后让该文件学习并随着时间的推移适应各种各样的目的，包括显示相关内容、推荐相关产品、提供个性化推荐等等。这种模式的目标是将每个个体视为一个个体。

超个性化特定模式的实现包括基于浏览模式和搜索创建个性化推荐。目前正在使用这种技术的公司有Netflix。他们利用人工智能根据个人选择向观众推荐节目和电影。另一个例子是星巴克，该公司正在使用超个性化服务与他们的客户群建立联系。

超个性化的实现不仅限于营销行业。它还出现在金融、医疗保健或个性化健身和健康应用等行业。例如，超个性化可以在常见领域金融和贷款产生巨大影响。在美国，FICO信用评分是用来将那些本来可能拥有巨大不同信用额度的个人归为一类，并惩罚缺乏信用记录的个人群体。从使用传统的FICO评分转向将每个人作为个体来对待，我们可能会得到更准确的个人描述，并可由此评估他们偿还贷款的可能性有多大。

自主系统模式：减少对手工劳动的需求

自主系统是能够完成任务，达到目标，与周围环境交互，并在最少的人力参与下实现目标的实体和虚拟的软硬件系统。超个性化的主要目标是把人当作个体来对待，而自主系统的目标则是在尽可能少的人际互动的情况下简化事物。自主模式需要机器学习能力，能够独立感知外部世界，预测外部元素未来的行为，并计划如何处理这些变化。

这种模式的明显应用包括自动机器和各种车辆，包括汽车、船只、火车、飞机等等。然而，这种模式还包括涵盖自主文档，知识生成、自主业务流程和自主认知的自主系统。这些系统可以在接近人类的情况下运行，包括优先决策。

人工智能助力预测分析和决策支持

人工智能的另一种模式是预测分析和决策支持。这种模式的定义是使用机器学习和其他认知方法来理解过去或现有的行为是如何帮助预测未来的结果的，还可帮助人类根据这些模式来决定未来的结果。这种模式的目的是帮助人类做出更好的决定。

该模式的一些用途包括辅助搜索和检索、预测数据的一些未来值、预测行为、预测故障、辅助解决问题、识别和选择最佳匹配、识别数据中的匹配、优化活动、提供建议和智能导航等。它有助于做出更好的决策，提供增强的智能化能力。

会话模式：能够像人类一样进行通信的机器

人工智能的另一种模式是会话/人机交互模式。这被定义为机器和人类通过各种方法（包括声音、文本和图像形式）的交互，包括机器对人，人对机器，以及来回的人机交互。该模式的目标是使机器能够与人类交互。

该模式最常见的例子包括聊天机器人、语音助手、感情、情绪和意图分析。它试图理解人类互动背后的意图，它还可以通过翻译促进人与人之间的互动。需要记住的重要一点是，这种模式是用来创建一种更容易的方式，让人类和机器通过对人类来说自然或舒适的方法进行交互。

用人工智能识别模式和异常

机器学习尤其擅长于识别模式和发现异常或异常值。“模式匹配模式”是人工智能项目中不断重复使用的方法之一，且已经得到了越来越多的采用。人工智能的模式和异常模式的目标是利用机器学习和其他认知方法来学习数据中的模式，并学习数据点之间的高阶连接，看看它是否符合现有的模式，或者它是否是一个异常值或异常。此模式的目标是找出与现有数据相匹配和不匹配的数据。

这种模式的应用包括欺诈和风险检测，以查看事情是否超出了正常或预期。另一个应用程序是在数据中寻找模式，并帮助最小化或修复人为错误。这种模式还包括预测文本，它可以分析语音和语法中的模式，以帮助提出选择哪些单词来加快写作过程的建议。

能够识别世界的机器：识别模式

机器学习的一大进步是使用深度学习来大大提高与识别相关的任务的准确性，如图像、视频、音频和对象识别、分类和鉴定。识别模式的定义是使用机器学习和其他认知方法来识别和确定目标或其他需要在图像、视频、音频、文本或其他主要是非结构化数据中识别的东西。这种模式的目标是让机器识别和理解事物。

该模式的应用包括图像和对象识别、面部识别、音频和声音识别、手写和文本识别以及手势检测。这是一种开发良好的模式，是计算机非常擅长的，并已经得到了广泛的应用。有许多公司在识别系统上投入了巨资。事实上，资金最充足的人工智能公司之一Sensetime正专注于人脸识别应用，中国政府正在大力投资使用和采用这种模式。

解决难题：目标驱动系统模式

事实证明，机器尤其擅长学习游戏规则，并在游戏中打败人类。在过去，机器很容易就能征服跳棋、国际象棋和迷宫。通过增强学习能力和更高级的计算能力，机器现在能够在围棋、DoTA等多人游戏以及更复杂的游戏中获胜。Alpha Go和Alpha Zero是由谷歌的DeepMind部门创建的，该部门的理论是，计算机可以通过游戏学习任何东西。游戏只是解决方案的开始，这些解决方案甚至有可能在解决人工一般智能（AGI）长期期待的目标方面取得突破。

游戏并不是目标驱动系统的唯一可能性。借助强化学习和其他机器学习技术的力量，使用者可以通过应用机器学习和其他认知方法，使其系统能够通过反复试验和发现错误来学习。这对于任何想让系统找到问题最优解的情况都是有用的。该模式的应用包括游戏、资源优化、迭代问题解决、投标和实时拍卖。虽然目标驱动的系统模式还没有像其他一些模式那样得到广泛的实现，但它也正在得到更多的关注。

组合AI项目成功的模式

虽然这些看起来像是典型AI项目中单独实现的离散模式，但实际上，我们已经看到有使用者将这七个模式中的一个或多个组合起来以实现它们的目标。通过从这样的组合模式，它将帮助他们更好地接近、计划和执行AI项目。事实上，新兴的方法正专注于使用这七个模式作为加速AI项目规划的一种方式。一旦你知道你正在做一个识别模式，例如，你可以洞察一个被广泛应用于这个问题的解决方案，深入了解驱动模式所需的数据，模式应用的用例和示例，算法和模型开发技巧等，这可以帮助加快交付高质量的人工智能项目。

虽然人工智能仍处于采用的早期主要阶段，但很明显，识别和使用这些模式将帮助使用者更快地实现他们的人工智能项目目标，减少重复操作，并具有更多的成功机会。