基于规则的AI和机器学习之间的主要区别

各行各业的公司正在探索和实施从大数据到机器人技术的人工智能（AI）项目，以实现业务流程自动化，改善客户体验和创新产品开发。据麦肯锡，“拥抱AI承诺通过其对生产力和经济增长贡献的企业和经济的效益相当可观。”但是，随着这一承诺，挑战随之而来。

计算机和机器不是凭着固有的知识或对事物工作原理的理解而进入这个世界的。像人类一样，需要教导他们红灯表示停止，绿灯表示消失。那么，这些机器实际上如何获得执行驾驶或诊断疾病等任务所需的情报？

数据或泡沫破灭

有多种实现AI的方法，而对于它们来说，存在的全部就是数据。没有高质量的数据，人工智能是一个空想。有两种方法可以操纵数据（通过规则或机器学习）以实现AI，还有一些最佳实践可以帮助您在这两种方法之间进行选择。

基于规则的系统

早在AI和机器学习（ML）成为高科技领域之外的主流术语之前，开发人员就将人类知识编码为存储在知识库中的规则到计算机系统中。这些规则通常以“If”语句的形式定义任务的各个方面（“如果A，则执行B，否则，如果X，则执行Y”）。

虽然必须编写的规则数量取决于您希望系统处理的操作数量（例如，20个操作意味着手动编写和编码至少20条规则），但是基于规则的系统通常工作量较小，成本较高-有效且风险较小，因为这些规则不会自行更改或更新。但是，规则可以通过只能执行其编写内容的严格智能来限制AI功能。

机器学习系统

相比之下，虽然可以将基于规则的系统视为具有“固定的”智能，但是机器学习系统是自适应的，并试图模拟人类的智能。仍然存在一层基础规则，但是机器无需人工编写固定集，而是能够自行学习新规则，并丢弃不再起作用的规则。

在实践中，机器可以通过多种方式学习，但是监督训练（当向机器提供要训练的数据时）通常是机器学习程序的第一步。最终，机器将能够自行解释，分类和执行带有未标记数据或未知信息的其他任务。

从组织的AI策略开始：

人工智能的预期收益很高，因此公司在执行早期做出的决定对成功至关重要。Foundational正在根据AI旨在实现的基本业务目标调整您的技术选择。您要解决什么问题，或者要面对挑战？

实施基于规则或机器学习系统的决定将对公司AI程序的发展和扩展产生长期影响。在评估哪种方法最适合您的组织时，请考虑以下最佳做法：

选择基于规则的方法很有意义：

固定结果：当结果数量很少或固定时。例如，只有两种状态可以按下“添加到购物车”按钮，无论是按下还是不按下。尽管可以使用机器学习来检测用户是否按下了按钮，但是应用这种类型的方法没有任何意义。

错误的风险：错误的惩罚过高，不会冒误报的风险，因此，应仅执行100％准确的规则。

不为ML计划：如果维护系统的人员不具备机器学习知识，并且企业没有计划继续前进。

何时应用机器学习：

简单规则不适用：当没有容易定义的使用简单规则解决任务的方法时

更改速度：当情况，方案和数据的更改速度快于不断编写新规则的能力时。

自然语言处理：要求理解语言或自然语言处理的任务。由于有无数种表达方式，因此即使不是完全不可能的话，为普通语言编写规则也是不现实的。机器学习的天生，自适应智能针对规模进行了优化。

人工智能的承诺是真实的，但是对于许多组织而言，挑战是从哪里开始。如果您属于此类，请首先确定基于规则的方法还是ML方法最适合您的组织。