来解决非常具体的任务
如何使用它们？推荐引擎是反应式机器的完美示例。他们使用可用数据。如果这些结果反馈给引擎它可以提高其性能但它本质上仍然是在一组设定参数内解决一个非常具体的定义的问题它非常适合这项任务但不要指望它能够轻松适应新鲜玩意。简而言之销售预测也可以被视为反应式人工智能。我们向它提供历史数据然后要求它做出预测。我们得到的结果当然非常有用但它本质上是有限数据集上的数学概率方程。库存订单预订和投资是这里的理想场景通用人工智能有足够的历史数据来预测和稳定直接的商业利益。内存有限的人工智能顾名思义这些人工智能系统具有学习和改进未来决策的能力。内存有限的机器可以在数据集上进行训练并利用过去的经验来影响后续决策。当我们思考当今最有效形式的人工智能时我们会考虑内存受限的人工智能模型。尽管如此我们称它们为有限记忆人工智能因为它们记住过去 电话数据 数据的程度仍然有限。首先系统收集的数据受到其编程的限制它没有自我意识所以它不能超越这个范围思考。当然随着技术和我们对人工智能控制机制的理解的发展这些障碍将变得更容易克服。神经网络深度学习和其他先进的人工智能系统处于这一类别的前沿。
https://static.wixstatic.com/media/c95ddb_1d64f783023044d2ab6ea97a75371392~mv2.jpg/v1/fill/w_656,h_366,al_c,q_80,usm_0.66_1.00_0.01,enc_auto/c95ddb_1d64f783023044d2ab6ea97a75371392~mv2.jpg
虽然它们仍然接受特定的数据但与简单的逻辑树或反应式机器的概率映射相比它们可以进行更深层次的思考并得出更好的结论。如何使用它们？当今最先进的推荐引擎就属于这一类。而不是简单地推荐同一类别的类似产品他们从现实世界的数据中学习以增加您成功的机会。通过这种方式随着时间的推移他们也可以变得更好因为以前的活动结果被用作新的训练数据。聊天机器人和营销个性化系统也可能属于这一领域。
頁:
[1]