Machine Learning 与AI：了解两者之间的差异

Machine Learning 看起来似乎是一个最近才诞生的概念，但这个术语实际上是 70 多年前由计算机科学家 Arthur Samuel 创造的。他将其定义为“让计算机在没有被明确编程的前提下掌握学习能力的研究领域”，这一定义至今仍十分贴切和准确。

用更现代的术语来说，Machine Learning 是 AI 的一个分支，它使用先进的算法来处理大量数据，以模仿人类的学习方式。这本质上意味着，它处理的信息越多，就越准确，解决问题的能力也就越强。通过分析数据来识别关系和模式，它可以做到这一点。有四种不同类型的 Machine Learning：监督式 Machine Learning、非监督式 Machine Learning、半监督式学习和强化学习。

Machine Learning 之所以如此有用，是因为它可以快速学习来执行复杂的活动，而不需要针对所要解决的问题定制算法。这使得它在预测趋势、快速自动化复杂任务以及识别数据中的模式或异常方面表现出色。

请阅读我们的指南什么是 Machine Learning，更全面地概要了解 Machine Learning 及其各种功能。

与 Machine Learning 不同，AI 并非是一种特定的技术。它实际上是一个广泛的方法领域，旨在执行和解决通常需要人类智能才能完成的任务和问题。这其中包括 Machine Learning，以及深度学习、自然语言处理和计算机视觉等。

AI 的应用是无穷无尽的，但常见的用途包括解决问题、学习、感知、沟通、决策和创造力等。目前最热门的一种人工智能是生成式 AI。这种形式的 AI 可以创造书面内容、音乐、计算机代码和艺术等多种类型的内容。像 ChatGPT、DALL·E 和 Midjourney 这样的生成式 AI 应用，都因其令人印象深刻的特有输出而广受欢迎。

但是，围绕生成式 AI，尤其是关于抄袭问题和对幻觉的担忧，存在着很多争议。这主要是源于这项技术利用现有内容来指导其如何生成自己所谓的“原创”内容。随着 AI 领域的不断发展，关于其伦理道德的质疑还会层出不穷，如何制定并执行措施来确保每个人的安全，这本身就是一项艰巨的挑战。

尽管这两个术语经常互换使用，但 Machine Learning 和 AI 是两个相互区分的不同概念。正如前面提到的，Machine Learning 是 AI 的一种类型，但并非所有 AI 都是 Machine Learning 或使用 Machine Learning。尽管存在很多相似性（稍后详述），但它们通常具有不同的能力、目标和范围。

AI 的广义目标是创建可以模拟人类智能来执行各种任务的应用程序和机器，而 Machine Learning 则专注于使用算法从现有数据进行学习的能力，是更广泛的 AI 目标的一部分。

从自动驾驶汽车、医疗诊断到创意写作等等，AI 可以解决各行各业的各种问题。有时，这些问题非常相似，但往往截然不同。

另一方面，Machine Learning 在能力上更为局限。这些算法非常擅长分析数据以识别模式并做出预测。但它不能解决更广泛的问题，也不能像 AI 那样适应。

看待它们之间区别的最佳方式是，Machine Learning 是大型 AI 机器中的一个齿轮，但很重要。这台机器可能是一辆脚踏车，也可能是一枚太空火箭。它可能不像其他部分那样灵活多变，但它至关重要，不能被忽视或视为理所当然。

当我们谈论 Machine Learning 和 AI 时，“重叠”一词多少有点误导性。它们并不完全是重叠的，但 Machine Learning 通常是 AI 应用程序本身的一个重要组成部分，就像一个人的学习能力与智力是分不开的一样。

理解这一点，最好的方法是看看 Machine Learning 为 AI 提供支持的一些主要方式：

AI 的主要目标是模仿人类的智力和能力，比如推理、决策和适应能力。它通过将多种技术相结合来实现这一目标，但最关键的方法几乎始终是 Machine Learning。这是因为这些 Machine Learning 算法使 AI 能够分析信息、识别模式并调整自己的行为。

同样，决策和预测也是几乎所有 AI 工具的关键部分。这是因为评估信息、权衡各种选择，然后决定下一步的最佳方案，是任何智力工作不可或缺的一部分。Machine Learning 是 AI 工具如何能够基于数据做出这些决策的方式。Machine Learning 算法可分析海量数据，识别有助于做出此决策的模式。

尽管我们谈到 Machine Learning 的应用范围相对有限，但它确实为 AI 工具提供了解决不同领域多样化问题的可能性。Machine Learning 是许多这些应用程序背后的驱动力，让 AI 变得如此充满活力。

借助 Machine Learning，AI 拥有了解决多个领域无尽问题的巨大潜力。但它实际是如何运作的呢？以下是 AI 实现任务自动化和简化复杂问题的几种方式：

• 生成式 AI：创造力不再是人类独有的特质。AI 和 Machine Learning 赋予了计算机真正的创造力，让它们能够美化艺术，创作歌曲，甚至谱写诗歌。它还可以编写代码和文档，以及创建临时的培训材料。

• 流程自动化：AI 不仅能够自动化繁琐和重复的流程，而且得益于 Machine Learning，它海可以学习如何改进和优化这些流程。这些流程的范围十分广泛，包括简化客户服务沟通以及分析复杂的财务数据等。

• 数据驱动的见解：决策是工作和生活的关键部分。但有时候，您不可能收集到所有需要的数据来做出最佳决策。AI 可以在短时间内分析大量数据，根据相关数据确定最佳决策。

• 个性化和建议：凭借其学习和适应的能力，结合 Machine Learning 的 AI 可以创造真正的个性化体验。无论是观看流媒体电视节目还是购买保险，这些系统都可以了解我们的行为和偏好，确保我们只看到自己想要看到的内容。

在 Elastic®，我们致力于让您尽可能简单地在自己的应用程序中利用 AI 和 Machine Learning 的功能。为了实现这一点，我们构建了 Elasticsearch Relevance Engine (ESRE)。ESRE 是一套开发人员工具，旨在帮助您快速轻松地构建搜索驱动的 AI 应用程序。借助 ESRE，您可以构建：

• 语义搜索：除了 Elastic 的关键字匹配功能，ESRE 还可让您使用矢量嵌入和转换器模型来理解用户请求背后的更深层次的含义。

• 相关性排名：业界领先的排名功能，如传统的关键字搜索和混合搜索（结合文本和矢量搜索），可用于所有类型的信息域。

• 矢量数据库：ESRE 的全部功能包括创建嵌入以及矢量的存储和检索。

• 数据采集工具：这个工具集包括网络爬虫、数据库连接器、第三方数据集成和带有 API 的定制连接器。

• Elastic Learned Sparse EncodeR (ELSER)：通过由 Elastic 训练的稀疏矢量检索模型，可让您执行语义搜索来获取更相关的搜索结果。它是一个并不局限于特定领域的模型，这意味着它不需要对您自己的数据进行微调，从而可以直接应用于各种用例。

• 自带模型：通过我们的第三方集成或第三方模型（如 GPT-3 和 GPT-4），使用您需要的任何 AI 平台和模型。

去年，我们还推出了针对安全性和可观测性的 Elastic AI Assistant。AI Assistant 是一个生成式 AI 助手，它在您和我们的搜索分析平台之间搭起了沟通的桥梁。这意味着，您可以使用自然语言提问来了解您的应用状态或安全态势，助手将根据在贵公司的私人数据中找到的答案做出回应。

AI 和 Machine Learning 不再是科幻小说的专利，它们正在颠覆从艺术到医疗保健的各个领域。不过，虽然它们看起来可相互替换，但这两种技术之间却有着明显的区别。AI 是一项规模宏大且前景无量的技术，由其背后的 Machine Learning 提供强大支持。

随着这两种技术的不断发展，未来将有无限可能。在 Elastic，我们致力于让这些工具尽可能易用使用和普及。从 ESRE 的强大功能，到使 DevOps 和安全分析师的生活更轻松的 AI 助手，我们期待能够为蓬勃发展的人工智能、Machine Learning 领域，以及它们将解决的各种问题贡献一份力量。

无论您何时准备就绪，我们都可以通过下面四种方式帮助您从业务数据中获取见解：

1. 开始免费试用，了解 Elastic 可以为贵公司提供什么方面的帮助。

2. 浏览我们的解决方案，了解 Elasticsearch® 平台的运作方式，以及我们的解决方案如何满足您的需求。

3. 发现 2024 年技术趋势：搜索和生成式 AI 技术的发展趋势。

4. 与您认识的喜欢通过电子邮件、LinkedIn、Twitter 或 Facebook 阅读本篇文章的人分享本篇文章。