AI的七個模式中使用最廣泛的模式之一是“模式和異常”模式。機器學(xué)習(xí)尤其擅長快速消化大量數(shù)據(jù)并識別模式或發(fā)現(xiàn)數(shù)據(jù)中的異?；虍惓！?ldquo;模式匹配模式”是AI本身似乎經(jīng)常重復(fù)的那些應(yīng)用之一，這是有充分理由的，因為它具有廣泛的適用性。

AI 的模式和異常模式的目標(biāo)是使用機器學(xué)習(xí)和其他認(rèn)知方法來學(xué)習(xí)數(shù)據(jù)中的模式并發(fā)現(xiàn)該數(shù)據(jù)之間的高級連接。目的是確定給定數(shù)據(jù)點是否適合現(xiàn)有模式，或者它是異常值還是異常值，從而找到適合現(xiàn)有數(shù)據(jù)的內(nèi)容和不適合現(xiàn)有數(shù)據(jù)的內(nèi)容。作為更廣泛使用的模式之一，有許多方法可以應(yīng)用此模式。

深入研究您的數(shù)據(jù)

數(shù)據(jù)是AI的核心，因此計算機擅長識別數(shù)據(jù)模式也就不足為奇了。無論是行為模式，動作模式，輸入模式還是其他模式，人工智能系統(tǒng)都可以快速發(fā)現(xiàn)它。使用人工智能來發(fā)現(xiàn)模式非常理想，因為人類天生就無法預(yù)測。人工智能能夠檢測出人類甚至可能根本不想尋找的模式。此外，與人類可以處理和分析的數(shù)據(jù)量有限相比，人工智能能夠一次關(guān)注更多信息。

機器學(xué)習(xí)就是關(guān)于使用數(shù)據(jù)并從中學(xué)習(xí)的知識。這種學(xué)習(xí)的大部分來自確定數(shù)據(jù)固有的模式。機器學(xué)習(xí)不是創(chuàng)建程序來告訴計算機如何處理特定規(guī)則，而是通過示例和數(shù)據(jù)逐步學(xué)習(xí)系統(tǒng)。通過編程，人類需要設(shè)置這些規(guī)則。因此，系統(tǒng)受編程可能性的限制。另一方面，機器學(xué)習(xí)不受此類事物的限制。

在AI的許多應(yīng)用程序中，您可能希望使用機器來發(fā)現(xiàn)模式，或查找數(shù)據(jù)中的異常和異常值。使用AI進(jìn)行模式或異常識別的一種廣泛實施的示例是欺詐檢測。欺詐被簡??單地定義為某人正在做他們不應(yīng)該做的事情。為了發(fā)現(xiàn)欺詐，人工智能可以尋找不遵循應(yīng)采取的行動的行為。如果這些動作與眾不同，則系統(tǒng)可以標(biāo)記它以供人工檢查。

屬于這種模式的另一個示例是許多人每天使用的示例，但他們甚至可能不知道自己正在使用AI。當(dāng)我們在計算機或智能手機上使用預(yù)測鍵入時，這將由AI模式提供支持。計算機以書面形式查看模式，并能夠預(yù)測接下來可能出現(xiàn)的單詞。隨著時間的流逝，打字模式可能會變得非常個性化，以至于該模型可以相當(dāng)準(zhǔn)確地了解您接下來將要打字的內(nèi)容。

人事和人事部門也使用AI來識別求職者的模式。AI系統(tǒng)能夠查看潛在員工的應(yīng)用和背景，以確定潛在的優(yōu)秀候選人，并剔除不符合工作要求的候選人。通過使用AI來幫助選擇過程，人們希望這將有助于篩選候選人以將他們移至下一輪，并減少招聘過程中的偏見。

可以通過多種其他方式在行動中看到AI的模式和異常模式。智能監(jiān)控，發(fā)現(xiàn)錯誤或錯誤并根據(jù)需要進(jìn)行調(diào)整，網(wǎng)絡(luò)安全應(yīng)用程序以及分析股票市場，都是AI被用來監(jiān)控模式的某些方式的例子。

當(dāng)讓系統(tǒng)自行查找模式時，它能夠發(fā)現(xiàn)人類可能錯過的事物。這方面的一個例子是沃爾瑪在颶風(fēng)周圍的購買行為中所經(jīng)歷的。沃爾瑪使用AI來檢測銷售模式。他們發(fā)現(xiàn)的許多趨勢之一是颶風(fēng)和草莓流行-之間的聯(lián)系。事實證明，人們在颶風(fēng)來臨之前就去了沃爾瑪，除了積water水和電池等所有常規(guī)物品外，他們還積strawberry了草莓Pop-Tarts。這種洞察力使沃爾瑪能夠?qū)⒏嗟腜op-Tart卡車運送到颶風(fēng)路線中的商店。這樣的異常趨勢有時很難讓人發(fā)現(xiàn)，但計算機卻擅長于此。

但是，就像從數(shù)據(jù)中學(xué)習(xí)的任何東西一樣，您需要注意AI的訓(xùn)練內(nèi)容。亞馬遜在幾年前受到審查，因為他們發(fā)現(xiàn)他們的AI招聘工具偏愛技術(shù)人員。AI的模式和異常模式，例如識別和超個性化模式，特別容易受到有偏見的數(shù)據(jù)集的影響。如果您使用偏差數(shù)據(jù)來訓(xùn)練模式識別系統(tǒng)，那么這些系統(tǒng)將表現(xiàn)出與訓(xùn)練數(shù)據(jù)相同的偏差就不足為奇了。

通過根據(jù)各種AI模式來思考AI項目，您可以更好地處理，規(guī)劃和執(zhí)行AI項目。例如，一旦知道自己正在執(zhí)行模式和異常模式，就可以洞悉已應(yīng)用到該問題的各種解決方案，洞察力以提供模式，用例和示例所需的數(shù)據(jù)模式，算法和模型開發(fā)技巧的應(yīng)用程序以及其他有助于加快高質(zhì)量AI項目交付速度的見解。這些模式有助于指導(dǎo)組織正確執(zhí)行AI并有更大的項目成功機會。