說到人工智能想必大家都耳熟能詳，其實它包含了廣泛的知識，分為不同的類型，各有優(yōu)劣：
混合人工智能(Hybrid AI)能夠克服單一技術方法的局限性
符號人工智能(Symbolic AI)能夠理解實際知識，而不僅僅是數據
混合解決方案打開了人工智能的“黑匣子”，幫助人工智能技術在現實場景中普遍地應用
符號人工智能和機器學習/深度學習都有自己的一套優(yōu)勢，當以混合方式一起使用時，將會是強強聯(lián)合。將為許多關鍵的企業(yè)應用程序的發(fā)展鋪平道路。下來，我們先來看看它們各自的能力。
符號人工智能
Symbolic AI的設計初衷是利用實際知識，更好地理解現實世界的想法和概念。這類似于人類使用特定的、面向領域的、符號/語義的知識來解釋我們周圍的環(huán)境。符號人工智能最重要的貢獻是在自然語言處理(NLP)和自然語言理解(NLU)領域。
機器學習/深度學習
機器學習(ML)是目前企業(yè)發(fā)展過程中采用最多的人工智能形式。由于它能夠自主處理不同的數據集，并不斷的迭代和自適應，因此它本質上“學習”了環(huán)境的模式并做出相應的響應。在自動化和自主計算環(huán)境下，它成為了最靈活和有價值的工具。
深度學習(DL)是基于神經網絡的機器學習。相對而言，DL可以返回更好的結果，但計算/能量成本可能比普通的ML技術高許多數量級。
非結構化數據挖掘
人工智能有望大幅提高生產率和利潤率這兩大企業(yè)目標。當然，這需要高效地挖掘非結構化數據的隱藏價值，從而實現更高級別的自動化。不僅要實現結構化的數據驅動工作流——絕大多數都是機械的、重復的功能，還要實現信息密集型或非結構化數據驅動的流程。
與此同時，企業(yè)更傾向以非破壞性和完全透明的方式引入新的技術方法，因為這樣它所帶來的任何變化都便于人們理解，所產生的好處是明確和直接的。
純機器學習方法很難滿足所有這些要求。從本質上講，他們是一個“黑盒子”場景——他們的內部計算和決策過程仍然是隱藏的，不好解釋。例如，當ML單獨用于自然語言處理時，對輸入數據的任何更改都可能導致模型漂移，就不得不重新訓練和測試數據。
符號AI學習方法和機器學習方法并不是相互排斥的：通過有效的融合，可以達到企業(yè)預期的最佳效果。這包括對核心流程和應用程序的高效支持，對給定AI模型的行為的完全透明，以及如果誤差較大時，它又如何及時地修正。
事實上，在大多數企業(yè)中，最大的信息寶庫是語言形式的非結構化數據。從電子郵件到錄音，從法律合同到規(guī)章制度，口頭和書面文字才是最主要的數據源。傳統(tǒng)的計算平臺在處理結構化數據(如客戶列表、財務記錄和性能指標)方面表現出色，但直到最近人工智能的發(fā)展和應用，才使得以經濟有效的方式處理非結構化內容成為可能。
符號AI
在整個AI的生態(tài)系統(tǒng)中，符號推理和語義理解可以產生更精確的結果，同時減少了訓練新模型的時間和費用。首先是提高輸入數據的質量，然后簡化支持這些海量數據所需的繁瑣和資源密集型基礎設施。
從操作上講，混合AI方法可以推動人工智能超越機械式、重復的簡單自動化任務，從事需要知識和專業(yè)技能的更高級別的工作——但仍未達到需要人工操作的戰(zhàn)略級別的任務。
舉一個最典型的例子標注，即對信息進行標記以便機器使用的過程。這是一項艱巨而乏味的工作，費時又費力。但是，通過在符號學習環(huán)境中利用適當的知識庫和圖表，能夠有效的簡化訓練過程。
可信度
如上所述，當前AI部署的另一個關鍵問題是可信度。ML/DL存在黑盒問題，其輸出既不透明也無法解釋。
這個問題通常表現在人工智能訓練模型出現偏差的領域。關于人工智能產生的種族主義、歧視女性和其他偏見的故事比比皆是，大多是因為它的輸入數據向這個方向傾斜。如果不能直接觀察這些行為，看不到算法對此做何反應，整個系統(tǒng)最終都會面臨癱瘓，只能重新訓練模型再重新投產?？尚哦葐栴}還會帶來其他影響，比如錯誤地預測重點細分市場的購買趨勢，或者大學招生中未能考慮到的文化因素等。
可解釋的人工智能
通過引入符號AI，黑盒被打開，這樣用戶就可以理解機器為什么會以特定方式行事，如果結果不理想，還可以做什么進行優(yōu)化。此外，這種可見性使操作人員能夠持續(xù)監(jiān)視自己的流程，從而做出適當的調整。
人工智能是一個強大的工具，可以為企業(yè)數據運營帶來奇跡，但它仍處于起步階段。對于有遠見的組織來說，標準的、單一模式的人工智能迭代的局限性已經越來越明顯。我們需要的是一種方法，能讓這項技術更具適應性，更能深入挖掘數據的潛在價值，同時讓人工智能變得更容易使用，成本更低。
混合人工智能——基于理解實際知識而不是簡單學習模式的符號人工智能——是企業(yè)挖掘多年來收集的所有數據價值的優(yōu)選方式。
譯者介紹
張怡，51CTO社區(qū)編輯，中級工程師。主要研究人工智能算法實現以及場景應用，對機器學習算法和自動控制算法有所了解和掌握，并將持續(xù)關注國內外人工智能技術的發(fā)展動態(tài)，特別是人工智能技術在智能網聯(lián)汽車、智能家居等領域的具體實現及其應用。
原文標題：The Hybrid to Give Your AI the Gift of Knowledge，作者：Marco Varone
