it技術的走向所依賴的技術都是很前沿的，主要體現在其能取代掉人工作業；其中ai并不是現在人工智能的主流，而是未來會比ai更便捷的形式出現的人工智能技術。在今年暑假我參加的“啟飛云計算網格化巡講”里面，張總對于ai技術在傳統行業中的應用有著很深的認識。如果您對ai技術有興趣，可以前去他的網格化巡講公開課，有免費的ai課程。

ai把人工智能分離為機器學習（ml）和專家系統(plm)。有的專家系統甚至比ai還落后。機器學習可以分為非監督學習和監督學習，包括學習問題（課程）、文本分類問題，時間序列等等。所有的學習問題都可以用機器學習解決。ai技術本質上是建立在一個知識庫的基礎上。這個知識庫有很多的模型。比如問題-答案模型是每個問題都有一個預測模型，比如siri，根據對話內容的文本預測下一句話是什么。

舉個例子：ai訓練分類器的話，就是將詞匯表里面所有的詞匯分成一個個類別it技術，ai技術的體現就是很多數據不平衡，每個類別缺乏足夠多的訓練樣本。人工智能技術要解決的第一個問題是如何從分布不均勻的樣本訓練出一個合理的人工智能模型。第二個問題就是，如何讓機器像人一樣學習，并且不需要人類來幫助，就像人一樣去思考。有種更靠譜的做法是，讓模型用從小的數據里面學習到的規律做歸納it技術，推廣到大的數據集。

注意，不用人工干預。機器還可以同時學習三組，雖然三組對機器來說是差不多長度的數據集。但是哪一組機器可以從模型中提取出最有用的信息呢？就需要你去幫助它提取了。ai訓練模型可以使用暴力搜索，去搜索最簡單的模型，哪怕一個非常簡單的模型也行。所以不要擔心機器學習給了它啥，最關鍵的還是人類來監督它。另外你說到的推薦系統用不上機器學習，這個我就不太清楚了。

數據越多，越復雜的數據，機器學習帶來的改善越大。還有機器學習和推薦系統還是有區別的，推薦系統是讓用戶產生對自己有用的內容，這種機器學習是用來做數據挖掘，而推薦系統是做ctr預估，ai技術用于復雜的推薦系統上。最后說一句，推薦系統這種網絡結構很大程度上考驗的是業務理解。