哪种人工智能适合你？

哪种人工智能适合你？

线性回归、随机森林、神经网络……人工智能算法太多了，很难导航。 尽管如此，咨询和服务公司 Viseo 的数据科学总监 Frédérick Vautrain 解释说，在这个过多的报价中，两大类 AI 算法脱颖而出。 “监督算法适用于我们对问题有先验知识的情况，而无监督算法适用于没有先验知识的情况”。

监督与无监督算法

第一个可以特别应用于语音识别、图像、写作或计算机视觉领域。 机器通常有大量数字记录库可供学习的领域。 相反，后者将寻求通过解码上下文信息和由此产生的逻辑来解决情况，而不求助于预先建立的知识来源。 例如，在营销中，可能需要按细分对潜在客户进行分组，以优化广告定位和转化率。 而这，根据相似的行为特征（购买、服务消费等），但没有预先判断这些相似性。

某些类型的算法在预测方面非常有效，但它们的结果却无法真正解释。 这就是神经网络的情况。 这在某些情况下可能会出现问题。 在人力资源分析中，如果学习模型表明员工有辞职的风险，那么如果该现象的原因是多方面的且过于复杂而无法在模型中识别，那么经理如何采取相应的行动呢？ “如果你想要一个清晰的变量矩阵，最好转向更传统的统计算法”，他们在 IBM 解释说，引用逻辑回归的例子，这使得测量事件之间的关联（例如风险失去客户）及其解释变量。 不利的一面是，这些模型导致的预测可靠性水平通常要低得多。

找到正确的妥协

因此，为了找到最合适的机器学习模型，使用几种算法并不少见。 “我们可以让他们参加比赛。目标是选择一个对特定问题的估计错误水平最低的人。这种方法特别被自动化 AI 平台 DataRobot 使用”，Aziz Cherfaoui 表示，他是该公司的技术总监法国咨询公司Keyrus。

学习算法的结合将使预测能力的优化成为可能。 “但不利于解释的简单性”，Frédérick Vautrain 警告说。 例如，通过组装决策树（使用元算法，boostrap 聚合）构建的随机森林就是这种情况。 一种确定要预测的现象的最佳解释变量的实用方法。 “例如，随机森林是一种很好的方法，可以优先处理和减少大量工业过程变量：温度、压力、电力强度、电压等”，Frédérick Vautrain 强调说。 最后的挑战：达成可能的最佳妥协。 这些变量确实必须足够多，才能使预测令人满意。 但不要太多……否则该模型将无法泛化并适用于新的上下文数据。 “如果学习不充分，结果就会失去准确性。相反，如果它走得太远，我们会因为过于关注细节而错过整体愿景。显然，我们将不再看到任何东西”，补充道阿齐兹·切尔法维。

Frédérick Vautrain 选择的 AI 算法

• 主成分分析（PCA）：这是一种无监督算法，通过组合创建新的自变量来减少系统中的变量数量。 目标是使数据更简单，更适合建模。
• 神经网络：这些算法用于有监督和无监督学习案例（深度学习和 Kohonen 映射）。 它们功能强大但需要大量信息（文本数据、声音、图像等）。 他们的结果不容易解释。 神经网络有许多应用（医疗诊断、预测性维护、欺诈检测、营销定位等）。
• 线性回归：一系列监督算法，旨在模拟观察到的测量和特征（或解释变量）之间的关系。 这些算法很容易解释。 例如，它们可以在温度和化学过程的产量之间建立联系。
• 逻辑回归：监督模型允许检测解释具有两个值的现象的变量的线性组合。 这种算法易于解释和广泛使用，可以在健康（例如，评估患疾病的风险）甚至金融（计算财务风险）中找到应用。
• 决策树：它指的是一类监督算法，用于实现排名和回归。 它们很容易解释。
• 随机森林（或随机森林）：算法执行多个决策树以确保更好的建模性能。 易于解释，它包括一个“装袋”阶段来选择最相关的特征来使用。
• 自回归综合移动平均线（ARIMA）：一组模型，旨在分析一系列数值随时间（或时间序列）的演变。 用于预测分析，它包括将时间数据分解为几个指标，例如季节性、趋势、不规则成分……它可以用于预测天气、财务或营销趋势。
• K-means：无监督算法，根据根据数据特征计算的相似性对数据进行分组。 它们可以通过客户类型（根据个人资料特征、类似的购买行为等）进行分组。
• 支持向量机 (SVM)：一系列监督算法，它应用数据的非线性变换来识别要分类的示例的线性分离。 例如，它们可以检测图像中的像素是否与人脸相关联。
• 朴素贝叶斯分类：假设变量独立的监督算法。 尽管有这个强有力的假设，但它是健壮和高效的，特别适用于文本分类问题。
• 遗传算法：它们用于解决优化问题。 他们使用“自然选择”的概念来只保留最好的结果。 例如，在销售点网络的情况下，它们可以识别解释其中一个或另一个商业成功（或不）​​的变量，甚至可以估计变量的修改是否可以改善他们的结果。