常用的AI算法介绍

自然语言生成（NLG）：让机器写作，写诗

语言识别：语音模型的识别

虚拟现实：VR、增强现实（AR）

机器学习平台：针对AI优化的硬件和芯片（人脸识别摄像头，不需要再云端完成，在终端就可以实现）

决策管理技术：帮助管理层进行决策管理

深度学习：是机器学习的特例和代表

生物特征识别技术：指纹红外、声音

机器人流程自动化：通过该算法实现简单的人工操作

知识图谱：对于之前的储备的问题进行数据库化，集成管理

机器学习：很多算法都可以叫做机器学习，是一个统称，典型代表是深度学习  

自然语言生成（NLG）

   输入一个抽象命题，NLG算法进行语义分析，再结合语法结构，按照一定的规划路径输出生成文字。

 

     NLP（自然语言处理）是指应用使用的场景，对用户的行为数据进行分析，可以对能力的判断和预测；带有一定的情感，比如对于一个店铺很满意，这时候客户的信念是友好的；更高级别可以识别身份，判断顾客的收入、支出、及消费能力；再高级的自然语言处理，可以知道用户的精神状态，比如佩戴智能穿戴设备，随时测量血压，睡眠质量获取健康信息，通过GPS获取地理位置信息，知道用户经常去的场合。自然语言处理算法还属于初期阶段，但是作用非常大；目前关于用户的上网行为，都可以使用自然语言处理算法来进行处理。

语言识别

   通过硬件设备进行语音信息采集，对数据进行去噪，对语音信号进行特征提取，在系统内部行程语音信号和语音单位之间的关系，最后实现模型匹配。

虚拟现实

    和用户进行感官交互，采用高度的计算处理能力和低延迟的输出设备实现实时反馈机制，采用建模技术将真实世界的物体进行虚拟化，最终实现用户在虚拟环境中的沉浸式体验。

机器学习平台

   后台存储有历史数据和新数据，历史数据是已经训练好的，新数据是不断输入，进行特征提取，输出模型、形成神经网络，用来预测未来。

决策管理技术

     决策管理技术可以实现高效的管理并且节省人力，实现的逻辑一般来自底层的知识数据；模型算法来自于收集的问题，为各个问题进行建模，对历史的知识存储形成数据库，经过神经网络的处理，生成对应的交互语言系统投入到具体的应用。

深度学习

  深度学习是一种神经网络的学习，特点是有多层，有的高达2-300层，对数据进行分层计算，对算力要求较小，并且效率高。

图片来自百度图片

生物特征识别技术

  生物特征识别技术将指纹、虹膜、面部、DNA、行为步态、语音识别等进行机器学习多种算法集成在一起。

机器人流程自动化

   较多使用在toB的产品中，研究产品中的规则来实现机器人自动化，执行重复性、规则性的任务，从而提高效率，释放人力。

知识图谱

     在生活中人们会接到机器人打过来的电话，推荐某个商品、服务等，知识图谱可以和人进行对答，后台的核心算法是知识图谱；知识图谱的核心团队会搜索某个行业的知识要点，各种场景的问题答案等，也用在人工智能客服上，比如某电信公司，机器客服也是通过知识图谱搭建的，其基础架构：有很多非结构化的文档，有图谱，文本，数据，有很多模型化的标签，底层有人机协同的知识加工与服务。有很多专家提供对应的行业知识，对这类数据进行数据库化，进行实体链接和关系发现。即一个非结构化的文档通过自动标引服务到达结构化的知识，实现应用。实现多维导航、深度搜索和智能问答等。

机器学习

   机器学习是基于大数据的，是有监督的，百度会将采集到的数据进行标记，对数据进行挖掘，比如人脸识别，对于大量的数据信息进行特征分析，通过百度的接口调用的时候，通过特征匹配到某个人脸数据的时候就完成了人脸识别。作为AI产品经理需要实现的是：产品能否通过输入一个内容，通过AI算法，输出一个你想要的值。将这一套产品进行复制，让他自动化去实现你的产品，这样可以代替人类完成部分枯燥无味的操作。

总结

   常用算法非常的多，在学习的时候需要先树立目标和标杆。1.在入门级中，在日常训练逻辑能力，阅读命题逻辑相关书籍，应用逻辑思考方法，做产品规划/策划、设计时用决策树思维训练自己的逻辑。2.在入门级的学习中要了解行业前言的算法和应用，参加行业垂直领域/专家的深度探讨，在高阶学习中对AI算法/数学模型等进行学习，建立自己相关的知识库（包括数学/计算机/人工智能等学科）。