人工智能对业务分析专业的影响？

人工智能（ai）是一个总括性的术语，用来描述计算机是如何被编程来展示人类智能的，如解决问题和学习。人工智能的定义是广泛的和非特定的，这也是为什么人工智能的范围有时会令人困惑的部分原因。随着机器越来越有能力执行“智能”任务，这些任务慢慢变得司空见惯，因此被从一般公认为人工智能的范围中移除。这就是所谓的人工智能效应。更精确的定义可能是任何从环境中获取信息并对其进行操作以最大限度地实现其目标的设备。

假设一个计算机程序接受贷款申请人信息，应用几个复杂的决策规则，并根据违约概率决定是否批准贷款申请人。这是人工智能的一种形式，至少过去是这样。但我们中的大多数人可能不再发现这种行为的复杂性足以上升到人工智能的水平。有句俗语说：“人工智能是一切尚未完成的”。

人工智能的范围从窄人工智能到一般人工智能。确定是否批准贷款申请人是狭义人工智能。它是一个程序，用非常具体的规则来解决一个非常具体的问题。一般的人工智能在另一端。当人们想象一台完全独立的、推理能力超人般的机器时，他们就是这样想的。              人工智能的两个快速扩展领域是机器学习和深度学习。它们被最好地描述为实现人工智能的技术，并正在推动该领域的巨大和加速发展。你再也不能不提人工智能了。             

机器学习是一种超越编程计算机以展示“智能”行为的方法。机器学习程序从环境中学习，并随着时间的推移提高其性能。大多数机器学习技术要求 程序员 提前检查数据集并识别重要的特性。特征是与成功预测所需输出最相关的数据属性。例如，在确定贷款违约风险时，信用评分可能是贷款申请人数据集的一个重要特征。然后，程序员确定机器学习程序的最佳模型，以应用于特征，从而使预测输出的错误率最小化。了解机器学习计划必须经过培训是很重要的。数百或数千个定义良好的数据记录需要输入到程序中，以便预测模型能够随着时间的推移而自我完善。对于每个记录，当给出新的输入时，它学会更准确地预测输出。

另一种流行的人工智能技术是深度学习，它是机器学习本身的一个子集。就像机器学习一样，深度学习程序会随着时间的推移学习并提高它们的性能。深度学习程序之所以得名，是因为它们使用“深度”多层神经网络来学习和预测结果。与人脑的结构很相似，神经网络由许多节点（如神经元）组成，这些节点接收输入、执行功能并将结果传递给另一个节点。通过将许多节点链接在一个类似web或树的结构中，可以实现复杂的决策。与其他类型的机器学习程序不同，深度学习神经网络不需要程序员预先识别数据的重要特征。它们能够自动提取对创建成功的预测输出最有影响的数据特征。深度学习计划需要大量的计算能力和大量的数据进行培训。

所有这些对业务分析师意味着什么？根据牛津大学最近的一项研究，到2035年，几乎47%的工作岗位将被人工智能取代。业务分析师会是其中之一吗？这个数字确实是一个可怕的预测，但让我们把它放在透视图中。首先，40多岁的人不必担心，因为他们很可能即将退休。对于年轻人来说，20年是适应和专注于继续教育和必要的再培训的大量时间。记住，许多工作不会随着人工智能的进步而消失。相反，随着时间的推移，人工智能将慢慢取代工作的各个方面。             

Andrew Ng是AI领域的受人尊敬的领导者。在斯坦福大学的一次演讲中，他谈到了商业分析师和产品经理在支持人工智能项目时需要改进的一些更直接的方法。传统的应用程序往往通过键盘输入、鼠标单击和文本形式的输入文件来获取信息。但是，人工智能程序通常需要大量的数据才能成功，因此，需要以语音流、视频、照片等其他格式实时获取信息。关于如何最好地定义和传达这些类型的源的需求，还没有达成共识。这可能是业务分析师第一次也是最直接的机会，使我们的角色适应人工智能项目。有一点是肯定的，当人工智能开始取代工作时最安全的地方就是人工智能。

人工智能产品设计原则是什么？

#业务分析 #机器学习#AI人工智能