人工智慧 (AI) 與機器學習 (ML) 比較

人工智慧是一個廣闊領域，是指運用技術來建構機器和電腦，能夠打造出與人類智慧相關的認知功能，例如看、瞭解並回應語音或手寫語言、分析資料、提出建議等。

雖然人工智慧通常被認為是系統本身，但這是在系統中實作的一組技術，能夠推論、學習並採取行動來解決複雜的問題。

機器學習是人工智慧的子集，可自動讓機器或系統從經驗中學習並改善。機器學習不是使用明確程式設計，而是利用演算法來分析大量資料、從深入分析資訊中學習，然後做出明智的決策。

機器學習技術演算法經過訓練，藉由接觸更多資料會隨著時間提高效能。機器學習模型是輸出資料，或程式從訓練資料執行演算法而學到的知識。使用的資料越多，模型就會越準確。

雖然 AI 和機器學習技術並非完全一樣，但兩者密切相關。如要瞭解 AI 與機器學習之間的關係，最簡單的方法就是：

• AI 是更廣泛的概念，可讓機器或系統能夠像人一樣感知、推論、行動或適應
• 機器學習是一種 AI 應用程式，可讓機器從資料中擷取知識，並自動學習

想記住機器學習和人工智慧之間的差異，不妨想像成綜合類型。人工智慧是一個主要術語，內容涵蓋多種特定的做法與演算法。機器學習則屬於其下的一種，另外還包含其他主要子領域，例如深度學習、機器人學、專家系統和自然語言處理。

人工智慧涵蓋機器的概念，可模擬人類的智慧，但機器學習不會。機器學習技術會訓練機器執行特定工作，並透過識別模式提供準確的結果。

假設您詢問 Google Nest 裝置，「今天的通勤時間要多久？」在這個情況下，您向機器提問後，會收到開車到辦公室所需的預估時間。這裡的整體目標是讓裝置成功執行工作，而這些工作通常是您需要在現實世界中自行完成 (例如研究您的通勤時間)。 

在本範例中，在整體系統中使用機器學習的目的，並不是要讓機器學習技術執行工作。例如，您可以訓練演算法分析大眾運輸資料與路況資料，藉此預測交通流量和密度。不過，範圍僅限於識別模式、預測的準確性，以及從資料中學習，以提升特定工作的效能。

• AI 技術可讓機器模擬人類的智慧，以解決問題
• 目標是開發可執行複雜工作的智慧型系統
• 我們建立的系統能夠像人類一樣解決複雜的工作
• AI 擁有各式各樣的應用程式
• AI 採用系統中的技術，能模仿人為決策
• AI 可與所有類型的資料搭配使用：結構化、半結構化與非結構化
• AI 系統使用邏輯和決策樹來學習、推論和自我更正

• 機器學習可讓機器從過去的資料中自動學習
• 目標是要建構能從資料中學習的機器，以提高輸出的準確度
• 我們使用資料訓練機器以執行特定工作，並提供準確的結果
• 機器學習的應用範圍有限
• 機器學習會使用自行學習的演算法來產生預測模型
• 機器學習只能使用結構化和半結構化資料
• 機器學習系統仰賴統計模型學習，並在提供新資料時自行更正

各產業的公司都運用 AI 和機器學習技術，以各種方式改變工作和營運的方式。將 AI 與機器學習功能融入策略和系統，可協助機構重新思考如何使用他們的資料和可用資源、提高生產力和效率，並透過預測分析提高資料導向的決策能力。並提升客戶和員工體驗。   

以下列舉一些最常見的 AI 和機器學習技術應用：

病患健康記錄分析和深入分析、結果預測與建模、加速藥物開發、擴增診斷、病患監控，以及從臨床筆記中擷取資訊。

生產機器監控、預測性維護、IoT 分析和作業效率。

庫存和供應鏈最佳化、需求預測、視覺化搜尋、個人化優惠和體驗，以及推薦引擎。

風險評估與分析、詐欺偵測、自動交易和服務處理最佳化。

智慧型網路和網路最佳化、預測性維護、業務流程自動化、升級規劃和容量預測。