人工智能(AI)已經存在幾十年了。然而，最近隨著“大數據”的出現，它得到了越來越多的關注。維基百科對人工智能的釋義如下:

在計算機科學中，人工智能研究的領域將自己定義為“智能代理AI和大數據：完美結合”的研究：任何設備都能感知到它的環境，并采取一些行為最大化其在一些目標上獲得成功的機會。

而將大數據描述如下:

“大數據是如此的龐大或者復雜，以至于傳統的數據處理應用軟件不足以處理它們。”

計算機已經變得如此強大，以至于我們現在有能力在每秒存儲數百萬條的數據記錄。不幸的是，分析數據的能力可能是一個瓶頸，繼續使用傳統的方法并不可取。

那么，大數據為什么會引起對人工智能的關注呢?答案很簡單，人工智能可以用傳統人類無法處理的方式來處理大數據集。

以銀行應用程序為例。該應用程序每秒鐘的數據流以百萬級來記錄，我們希望它在異常活動發生時發出警報，例如欺詐或者盜竊等行為。遇到這種情況，人們也許不太可能完整地去處理和分析這一數據量，而是選擇一個小片段，一秒一秒的處理。即使有數以百計的人在分析欺詐可能性的情況下，如此大量的數據也會降低決策能力。

那么對于傳統的數據處理系統呢?問題是，它們僅僅是算法，必然會束縛那些相同的邏輯。當尋找異常的時候，靈活性是必需的，但傳統的方法并不擅長。

現在我們進入人工智能。這些系統運行起來具有模糊性。他們預測，會考慮一條路徑，但是如果新數據否定了一個推理思路，那么就可以放棄它了，然后開始尋找一個新的方向。由于在給人工智能系統提供更多數據時它會變得更聰明，因此這非常適合于識別隨時間變化的異常。

現在讓我們來看看一些大數據應用的人工智能技術。

外推

外推是在原始觀測范圍之外，根據變量與其它變量的關系來評估變量的值的過程。我們假設一些數據呈現出一種趨勢，公司高管想知道：如果這種趨勢持續下去，三個月后公司將會發展到什么情況?外推法可以做到。請記住，并非所有的趨勢都是線性的。線性趨勢很簡單;一個簡單的直線圖就足夠了。非線性的趨勢需要更多地參與，這就是外推函數有用處的地方。這些算法是基于多項式、圓錐曲線或曲線方程的。

異常檢測

異常檢測也被稱為異常值檢測。它包括標識不符合預期模式的識別數據項、事件或觀測，或數據集中的其它項。異常檢測可以識別諸如銀行欺詐(先前提到的AI的應用)之類的事件。它也適用于幾個其它領域，包括(但不限于)：故障檢測、系統健康監測、傳感器網絡和生態系統干擾。

貝葉斯原理

在概率論和數理統計學之中，貝葉斯原理描述了一個事件的概率，它是基于與事件相關的條件前驗知識。這是基于先前事件來預測未來的一種方式。假設一個公司希望知道哪些客戶有流失的風險。使用貝葉斯方法，可以收集滿意度不足的客戶的歷史數據，并用于預測以后有可能流失的客戶。這是一個非常適合應用大數據的例子，因為更多的歷史數據被饋送到貝葉斯算法里，其預測結果變得更準確。

在某些情況下，人類有可能分析大量的數據，但隨著時間的推移，這很繁瑣，就需要人工智能來幫忙。基于規則的系統可以用來從人類這里提取、存儲和操縱知識，以便以有用的方式來解釋數據。在實踐中，規則是從人類經驗中產生出來的，并表示為一組“如果-那么”的語句，它們使用一組斷言，在這些斷言上面創建如何對其采取行動的規則。基于規則的系統可以用來創建軟件來代替人類專家提供問題的答案。這些系統也可以稱為專家系統。考慮一個公司，它有一個能為特定目標分析數據的人類專家，但是，這項任務比較單調乏味。基于規則的系統可以捕獲和自動操作這種專門技能。

圖形原理

在數學中，圖形原理是用來模擬對象之間成對關系的數學結構的研究。在此上下文中的圖形由頂點、節點或由邊、圓弧和線段連接的點組成，并且可以相當復雜和龐大。利用圖形原理，可以很容易地了解數據之間的關系。例如，考慮一個復雜的計算機網絡。圖形原理可以提供一些見解，以了解網絡中的瓶頸如何導致其它問題以及某一特殊瓶頸的根本原因。

模式識別

顧名思義，模式識別用于檢測數據中的模式和規律，它是機器學習的一種形式。模式識別系統利用數據訓練的過程被稱為監督學習。它們還可以被用來發現以前未知的數據模式，這個過程稱為無監督學習。與基于單個數據類型的潛在異常的異常檢測方法不同，模式識別可以發現以前在多個數據片中未知的模式，并考慮數據之間的模式(或關系)。一個公司(包括任何行業)可能都有興趣知道什么時候發生了不尋常的事情，比如如果消費者突然開始購買一種與另一種一起購買的商品。這種模式可能是一個企業所感興趣的。

總之，人工智能是一種在大數據世界中指引方向和收集規律的方法。