人工智能即将到达您附近的数据中心，它可能会开始执行人类操作员花费大量时间做的许多任务。
但是，不要把这种不可避免的发展视为一种威胁，今天的IT工作者现在应该更好地学习AI的基础知识，以便当它到达时它可以被用作一种工具来增强人类对组织的价值，而不是取代它。
首先，有助于了解有许多不同类型的AI可以提供各种功能。技术记者迈克尔科普兰认为这项技术是一系列同心圆，人工智能是最外层的圈子，更专业的形式，如机器学习(ML)和深入学习。
不同之处在于每种形式的AI所展示的复杂程度以及它们旨在实现的特定功能。
人工智能简史
例如，人工智能的历史可以追溯到20世纪50年代，但是这个十年早些时候才开始以“狭窄的人工智能”的概念开始聚集。这就是技术专注于完成图像分类和面部识别等特定任务但缺乏能力的地方。使用经验和其他数据输入以人类大脑的方式发展其过程。
为此，我们需要转向机器学习，它使用算法来解析数据以对其环境进行预测。使用ML，程序员不再需要对系统应该采取的每个动作进行手动编码，而是系统本身可以根据可用数据确定最佳行动方案。然而，即使在这个阶段，“智力”一词的使用也非常松散，因为它仍然需要大量的人为输入才能得出合理的结论。
这就是深度学习和神经网络的用武之地。与机器学习不同，这些技术试图模仿人类大脑的运作。使用高级分层，连接和数据传播，他们以多种方式处理数据集，以产生给定结果的加权概率。由于这是一个非常繁重的计算工作量，因此在GPU和并行处理进入主流之前，这种级别的AI保持在次要位置并不奇怪。
可用的平台
崭露头角的AI程序员也应该熟悉市场上的领先平台。虽然过多的解决方案日益扩大，但一些更基本的系统为那些已经熟悉常见编程语言的人提供了相当容易的学习曲线。
Sitepoint.com列出了一些较为成熟的平台，每个平台都迎合了AI与数据驱动流程交互的各种方式。也许最流行的是谷歌的TensorFlow和为Raspberry Pi入门级计算环境而构建的Melissa平台。两者都为AI编程提供了简单的入口，尽管Melissa需要更多的Python编程语言技能。
此外，还有像Wit.ai和Api.ai这样的服务，它们利用语音识别将口头命令转换为文本。它们还使用称为“意图”和“实体”的简单编程元素，这些元素用于定义要采取的动作以及要采取行动的设备和/或服务。通过这种方式，开发人员可以指示AI引擎从驱动器A中删除数据并将其粘贴到驱动器B.Wit和Api都有自己的意图和实体模板集，因此大部分工作已经完成。但是，除了iOS和Android之外，它们倾向于支持不同的编程语言，Wit倾向于Ruby，Python，C和Rust，以及支持Unity，C ++，Python和JavaScript的 Api 。
实践完美
Kaggle首席技术官Ben Hamner表示，以传统方式研究人工智能永远不会受到伤害 - 学习课程，学习各种平台的细微差别，研究过去的实践 - 记住一系列不相关的事实只会带你到目前为止。相反，更实际的方法是在工作日选择一个特定问题，并尝试弄清楚智能自动化系统如何能够缓解它，如果不能完全解决它。
这比听起来要困难得多。理想的问题必须有三个标准：
它必须涵盖您个人感兴趣的领域，
它必须使用非常适合解决问题的现成数据集，以及
数据或相关子集必须舒适地放在一台机器中。
一旦你确定了一个合适的问题，Hamner就说是时候做一个快速而肮脏的黑客 - 没什么特别的，足以为基本问题提供端到端的解决方案。这应该涵盖诸如读取数据，将其转换为机器学习算法可以理解的内容，训练基本模型，创建结果和评估性能等步骤。
一旦完成此功能基线，您可以随时返回并改进每个组件，可能通过检查单个行并可视化分布以更好地理解结构和异常。在许多情况下，您会发现改进数据清理和预处理步骤可以产生比优化机器学习模型更好的结果。
它还有助于了解其他人目前正在做什么，然后公开分享您的创作，以促进进一步发展。Google最近启动了一个名为AI Experiments的AI沙箱，它提供了开源代码和其他资源，可以帮助您入门，并展示人工智能在艺术，语言，音乐和其他学科方面的发展。除了TensorFlow和Cloud ML API之外，该网站还提供了DeepMind 3D游戏实验室版本和一套用于在C ++中开发机器学习工具的openFrameworks应用程序和脚本。
人工智能将为知识型员工带来的最大变化，特别是IT，是消除构成工作日大部分的所有死记硬背，重复性任务。但不要搞错，人工智能不会让人类多余，也不会让人类在机器完成所有工作的同时过上休闲生活。
在人工智能驱动的经济中，人类的大脑将会有很多，但这很大程度上包含了数学算法永远无法掌握的创造性，直观的项目。
人工智能作为合作伙伴，希望工作日变得更有趣，并为个人带来回报，而他们服务的组织应该从人类活动和整体更高的生产力中看到更大的价值。
