ML和AI的区别
人工智能概念是一个很好的框架，用于展示有远见的想法，而机器学习是机械过程的一种实用方法，可以转换成代码行.mimecast anz首席技术顾问加勒特·奥哈拉（garrett o‘hara）表示：“对于ai来说，似乎三件事是正确的：ai的能力被夸大了，ai的实用性被低估了，当ai被被谈论时，它经常与机器学习相混淆。”
什么是ai？
加勒特·奥哈拉（garrett o’hara）表示：“通常，当人们谈论ai时，他们谈论的是ml的子集。而在其他时候，当人们谈论ml或ai时，他们只是在谈论看似“智能”的常规编程。例如，这个文字处理程序一直在语法和拼写上给我们带来麻烦，并不是因为它很聪明，而是因为文字处理程序正在访问字典并且知道语法规则-一个不聪明的工具，但却是非常有用的工具。有用的并不总是最精确的。”
blackberry spark anz董事总经理jason duerden补充说：“我同意（提出的问题）这种观点-机器学习（ml）是正在快速创新和进步的技术类别。与此同时，人工智能（ai）以其真正的思想形式（例如我们在科幻电影和电视中看到的那种形式，例如《终结者》系列的《天网》或《狼来了》中的机器人），我们今天所拥有的机器学习技术只是其中的一部分，但ai是用于市场营销材料的术语。该术语的普及意味着我们经常在小册子和幻灯片上看到它，但这种希望很少能实现。
sas澳大利亚和新西兰的人工智能和机器学习主管ray greenwood表示：“我喜欢引用这一观点，但我不能说我同意这一点-有争议的声明是引发辩论的好方法！近几年来，对人工智能（ai）的大肆宣传确实导致了很多幻灭。此外，我希望随着组织继续发现构建可为ai应用程序提供支持的基础模型变得容易的同时，人们对ai的“膨胀期望”也会越来越高。但要实施它们要困难得多。”
多亏了duerden，我们才有了一个相对准确的定义：“ darpa，美国政府的科学研究机构，对三波ai进行了分类：手工知识，统计学习和情境适应。
“ wave 1是‘手工知识’，即ml在基于签名的防病毒软件中看到的基本启发式方法的起源，提供了狭窄的问题解决范围，并且在策展之外没有学习能力。2014年，网络安全行业意识到真正的深度学习学习和机器学习模型可能会极大地改变游戏规则，供应商开始将任何机器驱动的决策分类为ml，这在买方市场上造成了混乱，大多数卖方将基本启发式营销推向了ai。
“ wave 2是‘statistical learning’，即机器学习预测，这是blackberry cylance的起点。wave2极大地改变了安全行业的先机，这使防御者首次可以预测攻击，而以前从未见过并减少了攻击。在第二波中，ml引擎提供了有限的策略解释，对变更的适应性有限以及需要一些人工训练标签，从而在检测和响应方面付出了大量的努力-在威胁发生之前。
“ wave 3是“上下文适应”，即机器学习的预测，解释和对概念流的调整，这是通过使用深度学习神经网络进行反馈循环和策略来实现的。wave3正在成为网络防御者的新领域， wave 2的所有预测优势，现在可以为更快的人类智能做出解释，对非监督学习结构（例如用户身份和身份验证流程）进行预测，并且可以自动，自主地重新训练或更新智能模型。”
奥哈拉解释说：“人工智能之所以似乎就像powerpoint编写的，是因为它与机器学习，深度学习混淆了。人工智能这个词听起来很有趣。机器学习（ml）听起来像像我们行业中的许多事物一样，ai / ml可以提供的现实是非常真实的，但是不幸的是有时被夸大了。”
“多年来，it工程界一直在争论机器学习已经在全球各行各业中广泛使用，而ai可以说仍然是一个理论概念。真的有智能机器吗？”
databricks的anz国家经理bede hackney表示：“数据+人工智能具有改变每个行业的潜力。许多拥有人工智能的组织所面临的问题是没有正确的架构来使其完全可访问，因此这仍然只是一个想法
“虽然以前的组织已经在‘数据仓库’中管理了用于bi和报告的数据，并将存储在‘数据库’中的数据应用了机器学习算法，但客户需求已经发生了变化，并且需要有一个将这两种类型的数据库连接在一起的统一数据平台，数据管理范例已变得越来越普遍。
“从相反的方向（使用数据仓库）开始，将继续使许多公司感到ai只能存在于powerpoint演示文稿中。”
greenwood继续说道：“对于ai的构成缺乏清晰的认识，导致人们对其交付的现实表示怀疑。但是，ai确实是我们生活中许多方面的一部分-它的无缝性（缺乏漫游机器人）意味着很多例如，大多数呼叫中心现在都使用ai模型来为聊天机器人提供动力，这些聊天机器人寻求简化呼叫过程，无需人工干预即可管理请求或在相关的上下文信息表明有需要时向工作人员介绍客户需要人类的投入才能达到最佳效果。
“随着使用ai的基础组件（包括机器学习，计算机视觉，自然语言处理，预测和优化）的任何组合来增强更多的业务流程，对ai的确切定义的重要性将不及组织广泛了解这些功能如何实现现代化和改变业务流程。历史上一直将重点放在创建算法和技术上，未来将取决于成功的文化变革和分析素养计划，以确保以可持续的方式实施和采用任何ai计划。”
可以实现吗？
我们不得不怀疑人工智能到底有多“真实”。liberman建议：“为了从语音分析中提供真实的情报，我们的方法应捕捉人类感知的现实-这些是人的真实情感。真实的情感反应和个性风格是促使我们做出人类决策的动力。”
加勒特·奥哈拉（garrett o‘hara）在考虑提高it安全性时表示，“在网络安全中具有效用的人工智能属于’狭窄的ai‘类型（或弱ai）。这意味着该情报将适用于特定的问题类型，即威胁或安全区域-仅此而已。用于检测人脸的ai已调整为只能做到这一点，因此，它在理解交通流模式方面不会特别擅长（尽管可能采用类似的算法方法）。将变得自我意识，遭受身份危机并决定要实现它，应该成为拜伦湾的一名网络木匠。图灵测试甚至没有被提及。”
奥哈拉继续说：“网络安全又如何呢？正如在《黑客帝国》中所见，我们还没有能够用铁拳来监督组织安全的ai。但是，如果您使用子集构建人工智能了解机器学习的目的是了解组织中所有用户的“正常情况”，然后让它“通知”“不正常的”情况，并引起其虚拟的眉毛或安全操作中心（soc）警报。
“每天发送的数十亿个url怎么样？埋在其中的url会丢弃勒索软件或促进凭证盗窃。机器学习可用于解析庞大的数据集，并借助监督学习，可以很好地识别出与危险的url匹配。恶意的url是短暂的，因此，在保护方面，已知的好坏列表只会使您成为其中的一部分。机器学习会使您更进一步。那么，您希望hi的下一个炒作浪潮或人力情报部为您提供了其余的服务。
duerden继续说道：“在网络安全行业中，自切成薄片以来，人工智能和机器学习通常是最好的产品。正如forrester首席分析师josh zelonis雄辩地说：“当端点检测和响应市场开始时，从隐私问题到端点上第二安全代理的接受程度（显然，这永远不会发生），有很多回击。然后发生了令人难以置信的事情……［基于行为分析的智能反恶意软件］出现在现场，蔑视基于签名的恶意软件检测，并开创了ai /机器学习营销的时代。
“在网络安全中使用ml永远改变了整个行业：一方面，它确实彻底改变了终端安全解决方案；另一方面，人工智能成为供应商在现有产品上使用的流行语。与研究，开发和开发相关的创新不再专利；突然之间，创新是关于精美的信息图表和ai一词的存在。”
但是，pat devlin想知道训练集如何？“在有关ai的讨论中，经常被忽视的是用于训练机器的人类智能。我们获得的数据类型越多，训练ai引擎模拟人类思维的学习就越多。
“人工智能在那里存在，它建立在人类思维基础之上，人类思维不完善，且容易产生偏见。人工智能的缺陷之一是，如果我们根据人类输入来编程数据，我们将无法做出完美的决策。我们会在使用过程中遇到所有偏见和偏见，甚至可能使分析和理解变得更加困难！
“这是真正的ai。这可能不是科幻小说和电影所承诺的，它可能还没有通过图灵测验，但它不仅限于powerpoint。它是真实的，它还活着，并且有很多例子。我们将ai视为具有模拟人类思维能力的系统，如果这是真的，那么我们已经超越了ai作为一个概念！”
总而言之，greenwood相当合理地观察到：“如果业务案例不是用纯英语编写的，那么现代企业分析平台的代码是用python，sas，r，lua，julia，tensorflow还是其他语言编写的，当需要将其从实验室环境迁移到现实世界时，该项目可能不会在现实世界中持续很长时间。”
greenwood断言：“我们处于历史上一个独特的关头，我们拥有实施像ai这样的范式变更技术的技术能力，但是，如果我们未能正确地围绕ai的使用，公平，负责任地管理大局，透明且合乎道德的原则-除了这些以外，还有其他一些考虑因素-我们可能只是进入下一个“人工智能冬天”，在这种情况下，广泛采用ai的真正希望可能大部分仍会归功于powerpoint，而我们将无法充分利用ai可以提供的优势-增强人类工作和娱乐方式的机器，以改善我们的生活。”
帕特·德夫林（pat devlin）补充说：“虽然ai似乎非常令人着迷，而且吸引人，但随着时间的流逝，人工智能所带来的潜力是呈指数级的，因为它需要解决大量复杂的问题并创建简单的解决方案。
“这不是概念性的，它是实时的，它正在解决现实世界中的网络问题！”
为了解决这个问题，duerden警告说：“过度使用人工智能作为流行语打在小册子和幻灯片上已经扭曲了它的含义，并围绕ai和ml造成了混乱。鉴于市场的不确定性，重要的是要求供应商大力宣传ai它实际上是如何工作的。但是通常，他们无法告诉您！”
但是，我们应该把最后的话留给加勒特·奥哈拉。“功能可能是用python编写的，但在这种情况下的实用程序是有意义的，并需要在powerpoint演示文稿中占有一席之地。我们只需要在衡量如何进行有关ml / ai的网络安全对话方面进行更多的衡量。
印刷电路板设计的最佳实践 Best Practices in
全焊接球阀特性及性能介绍
UWB高精度人员定位在各行业中的应用分析
PLC与单片机之间的区别是怎样的
最新数据，我国第二季度海上风电新增并网规模同比增长208%
ML和AI的区别
臭氧老化试验箱的箱体特点
PLC梯形图编程的方法
家电智能新赛道：语音将替代遥控器
简谈PCIe的软件配置方式
堆叠式DRAM存储节点相关部分的结构分析
基于Spreadtrum和SiRF的GSM+GPS模块设计
韩国 MBN 电视台推出首位AI主播金柱夏 可24小时持续工作
Maxim物联网新动向 推出物联网安全认证和MAX30001医疗产品
蓝牙也存在安全风险，网络安全该如何保障
汽车零部件清洁度检测机构-国家CNAS认可实验室
老程序员的出路
恒流供电时，在串并联电路中如何保证每串的电流均衡？
国外毫米波导引头概览
基于STM32单片机的厨房系统设计
什么是ai？
加勒特·奥哈拉（garrett o’hara）表示：“通常，当人们谈论ai时，他们谈论的是ml的子集。而在其他时候，当人们谈论ml或ai时，他们只是在谈论看似“智能”的常规编程。例如，这个文字处理程序一直在语法和拼写上给我们带来麻烦，并不是因为它很聪明，而是因为文字处理程序正在访问字典并且知道语法规则-一个不聪明的工具，但却是非常有用的工具。有用的并不总是最精确的。”
blackberry spark anz董事总经理jason duerden补充说：“我同意（提出的问题）这种观点-机器学习（ml）是正在快速创新和进步的技术类别。与此同时，人工智能（ai）以其真正的思想形式（例如我们在科幻电影和电视中看到的那种形式，例如《终结者》系列的《天网》或《狼来了》中的机器人），我们今天所拥有的机器学习技术只是其中的一部分，但ai是用于市场营销材料的术语。该术语的普及意味着我们经常在小册子和幻灯片上看到它，但这种希望很少能实现。
sas澳大利亚和新西兰的人工智能和机器学习主管ray greenwood表示：“我喜欢引用这一观点，但我不能说我同意这一点-有争议的声明是引发辩论的好方法！近几年来，对人工智能（ai）的大肆宣传确实导致了很多幻灭。此外，我希望随着组织继续发现构建可为ai应用程序提供支持的基础模型变得容易的同时，人们对ai的“膨胀期望”也会越来越高。但要实施它们要困难得多。”
多亏了duerden，我们才有了一个相对准确的定义：“ darpa，美国政府的科学研究机构，对三波ai进行了分类：手工知识，统计学习和情境适应。
“ wave 1是‘手工知识’，即ml在基于签名的防病毒软件中看到的基本启发式方法的起源，提供了狭窄的问题解决范围，并且在策展之外没有学习能力。2014年，网络安全行业意识到真正的深度学习学习和机器学习模型可能会极大地改变游戏规则，供应商开始将任何机器驱动的决策分类为ml，这在买方市场上造成了混乱，大多数卖方将基本启发式营销推向了ai。
“ wave 2是‘statistical learning’，即机器学习预测，这是blackberry cylance的起点。wave2极大地改变了安全行业的先机，这使防御者首次可以预测攻击，而以前从未见过并减少了攻击。在第二波中，ml引擎提供了有限的策略解释，对变更的适应性有限以及需要一些人工训练标签，从而在检测和响应方面付出了大量的努力-在威胁发生之前。
“ wave 3是“上下文适应”，即机器学习的预测，解释和对概念流的调整，这是通过使用深度学习神经网络进行反馈循环和策略来实现的。wave3正在成为网络防御者的新领域， wave 2的所有预测优势，现在可以为更快的人类智能做出解释，对非监督学习结构（例如用户身份和身份验证流程）进行预测，并且可以自动，自主地重新训练或更新智能模型。”
奥哈拉解释说：“人工智能之所以似乎就像powerpoint编写的，是因为它与机器学习，深度学习混淆了。人工智能这个词听起来很有趣。机器学习（ml）听起来像像我们行业中的许多事物一样，ai / ml可以提供的现实是非常真实的，但是不幸的是有时被夸大了。”
“多年来，it工程界一直在争论机器学习已经在全球各行各业中广泛使用，而ai可以说仍然是一个理论概念。真的有智能机器吗？”
databricks的anz国家经理bede hackney表示：“数据+人工智能具有改变每个行业的潜力。许多拥有人工智能的组织所面临的问题是没有正确的架构来使其完全可访问，因此这仍然只是一个想法
“虽然以前的组织已经在‘数据仓库’中管理了用于bi和报告的数据，并将存储在‘数据库’中的数据应用了机器学习算法，但客户需求已经发生了变化，并且需要有一个将这两种类型的数据库连接在一起的统一数据平台，数据管理范例已变得越来越普遍。
“从相反的方向（使用数据仓库）开始，将继续使许多公司感到ai只能存在于powerpoint演示文稿中。”
greenwood继续说道：“对于ai的构成缺乏清晰的认识，导致人们对其交付的现实表示怀疑。但是，ai确实是我们生活中许多方面的一部分-它的无缝性（缺乏漫游机器人）意味着很多例如，大多数呼叫中心现在都使用ai模型来为聊天机器人提供动力，这些聊天机器人寻求简化呼叫过程，无需人工干预即可管理请求或在相关的上下文信息表明有需要时向工作人员介绍客户需要人类的投入才能达到最佳效果。
“随着使用ai的基础组件（包括机器学习，计算机视觉，自然语言处理，预测和优化）的任何组合来增强更多的业务流程，对ai的确切定义的重要性将不及组织广泛了解这些功能如何实现现代化和改变业务流程。历史上一直将重点放在创建算法和技术上，未来将取决于成功的文化变革和分析素养计划，以确保以可持续的方式实施和采用任何ai计划。”
可以实现吗？
我们不得不怀疑人工智能到底有多“真实”。liberman建议：“为了从语音分析中提供真实的情报，我们的方法应捕捉人类感知的现实-这些是人的真实情感。真实的情感反应和个性风格是促使我们做出人类决策的动力。”
加勒特·奥哈拉（garrett o‘hara）在考虑提高it安全性时表示，“在网络安全中具有效用的人工智能属于’狭窄的ai‘类型（或弱ai）。这意味着该情报将适用于特定的问题类型，即威胁或安全区域-仅此而已。用于检测人脸的ai已调整为只能做到这一点，因此，它在理解交通流模式方面不会特别擅长（尽管可能采用类似的算法方法）。将变得自我意识，遭受身份危机并决定要实现它，应该成为拜伦湾的一名网络木匠。图灵测试甚至没有被提及。”
奥哈拉继续说：“网络安全又如何呢？正如在《黑客帝国》中所见，我们还没有能够用铁拳来监督组织安全的ai。但是，如果您使用子集构建人工智能了解机器学习的目的是了解组织中所有用户的“正常情况”，然后让它“通知”“不正常的”情况，并引起其虚拟的眉毛或安全操作中心（soc）警报。
“每天发送的数十亿个url怎么样？埋在其中的url会丢弃勒索软件或促进凭证盗窃。机器学习可用于解析庞大的数据集，并借助监督学习，可以很好地识别出与危险的url匹配。恶意的url是短暂的，因此，在保护方面，已知的好坏列表只会使您成为其中的一部分。机器学习会使您更进一步。那么，您希望hi的下一个炒作浪潮或人力情报部为您提供了其余的服务。
duerden继续说道：“在网络安全行业中，自切成薄片以来，人工智能和机器学习通常是最好的产品。正如forrester首席分析师josh zelonis雄辩地说：“当端点检测和响应市场开始时，从隐私问题到端点上第二安全代理的接受程度（显然，这永远不会发生），有很多回击。然后发生了令人难以置信的事情……［基于行为分析的智能反恶意软件］出现在现场，蔑视基于签名的恶意软件检测，并开创了ai /机器学习营销的时代。
“在网络安全中使用ml永远改变了整个行业：一方面，它确实彻底改变了终端安全解决方案；另一方面，人工智能成为供应商在现有产品上使用的流行语。与研究，开发和开发相关的创新不再专利；突然之间，创新是关于精美的信息图表和ai一词的存在。”
但是，pat devlin想知道训练集如何？“在有关ai的讨论中，经常被忽视的是用于训练机器的人类智能。我们获得的数据类型越多，训练ai引擎模拟人类思维的学习就越多。
“人工智能在那里存在，它建立在人类思维基础之上，人类思维不完善，且容易产生偏见。人工智能的缺陷之一是，如果我们根据人类输入来编程数据，我们将无法做出完美的决策。我们会在使用过程中遇到所有偏见和偏见，甚至可能使分析和理解变得更加困难！
“这是真正的ai。这可能不是科幻小说和电影所承诺的，它可能还没有通过图灵测验，但它不仅限于powerpoint。它是真实的，它还活着，并且有很多例子。我们将ai视为具有模拟人类思维能力的系统，如果这是真的，那么我们已经超越了ai作为一个概念！”
总而言之，greenwood相当合理地观察到：“如果业务案例不是用纯英语编写的，那么现代企业分析平台的代码是用python，sas，r，lua，julia，tensorflow还是其他语言编写的，当需要将其从实验室环境迁移到现实世界时，该项目可能不会在现实世界中持续很长时间。”
greenwood断言：“我们处于历史上一个独特的关头，我们拥有实施像ai这样的范式变更技术的技术能力，但是，如果我们未能正确地围绕ai的使用，公平，负责任地管理大局，透明且合乎道德的原则-除了这些以外，还有其他一些考虑因素-我们可能只是进入下一个“人工智能冬天”，在这种情况下，广泛采用ai的真正希望可能大部分仍会归功于powerpoint，而我们将无法充分利用ai可以提供的优势-增强人类工作和娱乐方式的机器，以改善我们的生活。”
帕特·德夫林（pat devlin）补充说：“虽然ai似乎非常令人着迷，而且吸引人，但随着时间的流逝，人工智能所带来的潜力是呈指数级的，因为它需要解决大量复杂的问题并创建简单的解决方案。
“这不是概念性的，它是实时的，它正在解决现实世界中的网络问题！”
为了解决这个问题，duerden警告说：“过度使用人工智能作为流行语打在小册子和幻灯片上已经扭曲了它的含义，并围绕ai和ml造成了混乱。鉴于市场的不确定性，重要的是要求供应商大力宣传ai它实际上是如何工作的。但是通常，他们无法告诉您！”
但是，我们应该把最后的话留给加勒特·奥哈拉。“功能可能是用python编写的，但在这种情况下的实用程序是有意义的，并需要在powerpoint演示文稿中占有一席之地。我们只需要在衡量如何进行有关ml / ai的网络安全对话方面进行更多的衡量。
印刷电路板设计的最佳实践 Best Practices in
全焊接球阀特性及性能介绍
UWB高精度人员定位在各行业中的应用分析
PLC与单片机之间的区别是怎样的
最新数据，我国第二季度海上风电新增并网规模同比增长208%
ML和AI的区别
臭氧老化试验箱的箱体特点
PLC梯形图编程的方法
家电智能新赛道：语音将替代遥控器
简谈PCIe的软件配置方式
堆叠式DRAM存储节点相关部分的结构分析
基于Spreadtrum和SiRF的GSM+GPS模块设计
韩国 MBN 电视台推出首位AI主播金柱夏 可24小时持续工作
Maxim物联网新动向 推出物联网安全认证和MAX30001医疗产品
蓝牙也存在安全风险，网络安全该如何保障
汽车零部件清洁度检测机构-国家CNAS认可实验室
老程序员的出路
恒流供电时，在串并联电路中如何保证每串的电流均衡？
国外毫米波导引头概览
基于STM32单片机的厨房系统设计