说到人工智能想必大家都耳熟能详，其实它包含了广泛的知识，分为不同的类型，各有优劣：
混合人工智能(HybridAI)能够克服单一技术方法的局限性
符号人工智能(SymbolicAI)能够理解实际知识，而不仅仅是数据
混合解决方案打开了人工智能的“黑匣子”，帮助人工智能技术在现实场景中普遍地应用
符号人工智能和机器学习/深度学习都有自己的一套优势，当以混合方式一起使用时，将会是强强联合。将为许多关键的企业应用程序的发展铺平道路。下来，我们先来看看它们各自的能力。
符号人工智能
SymbolicAI的设计初衷是利用实际知识，更好地理解现实世界的想法和概念。这类似于人类使用特定的、面向领域的、符号/语义的知识来解释我们周围的环境。符号人工智能最重要的贡献是在自然语言处理(NLP)和自然语言理解(NLU)领域。
机器学习/深度学习
机器学习(ML)是目前企业发展过程中采用最多的人工智能形式。由于它能够自主处理不同的数据集，并不断的迭代和自适应，因此它本质上“学习”了环境的模式并做出相应的响应。在自动化和自主计算环境下，它成为了最灵活和有价值的工具。
深度学习(DL)是基于神经网络的机器学习。相对而言，DL可以返回更好的结果，但计算/能量成本可能比普通的ML技术高许多数量级。
非结构化数据挖掘
人工智能有望大幅提高生产率和利润率这两大企业目标。当然，这需要高效地挖掘非结构化数据的隐藏价值，从而实现更高级别的自动化。不仅要实现结构化的数据驱动工作流——绝大多数都是机械的、重复的功能，还要实现信息密集型或非结构化数据驱动的流程。
与此同时，企业更倾向以非破坏性和完全透明的方式引入新的技术方法，因为这样它所带来的任何变化都便于人们理解，所产生的好处是明确和直接的。
纯机器学习方法很难满足所有这些要求。从本质上讲，他们是一个“黑盒子”场景——他们的内部计算和决策过程仍然是隐藏的，不好解释。例如，当ML单独用于自然语言处理时，对输入数据的任何更改都可能导致模型漂移，就不得不重新训练和测试数据。
符号AI学习方法和机器学习方法并不是相互排斥的：通过有效的融合，可以达到企业预期的最佳效果。这包括对核心流程和应用程序的高效支持，对给定AI模型的行为的完全透明，以及如果误差较大时，它又如何及时地修正。
事实上，在大多数企业中，最大的信息宝库是语言形式的非结构化数据。从电子邮件到录音，从法律合同到规章制度，口头和书面文字才是最主要的数据源。传统的计算平台在处理结构化数据(如客户列表、财务记录和性能指标)方面表现出色，但直到最近人工智能的发展和应用，才使得以经济有效的方式处理非结构化内容成为可能。
符号AI
在整个AI的生态系统中，符号推理和语义理解可以产生更精确的结果，同时减少了训练新模型的时间和费用。首先是提高输入数据的质量，然后简化支持这些海量数据所需的繁琐和资源密集型基础设施。
从操作上讲，混合AI方法可以推动人工智能超越机械式、重复的简单自动化任务，从事需要知识和专业技能的更高级别的工作——但仍未达到需要人工操作的战略级别的任务。
举一个最典型的例子标注，即对信息进行标记以便机器使用的过程。这是一项艰巨而乏味的工作，费时又费力。但是，通过在符号学习环境中利用适当的知识库和图表，能够有效的简化训练过程。
可信度
如上所述，当前AI部署的另一个关键问题是可信度。ML/DL存在黑盒问题，其输出既不透明也无法解释。
这个问题通常表现在人工智能训练模型出现偏差的领域。关于人工智能产生的种族主义、歧视女性和其他偏见的故事比比皆是，大多是因为它的输入数据向这个方向倾斜。如果不能直接观察这些行为，看不到算法对此做何反应，整个系统最终都会面临瘫痪，只能重新训练模型再重新投产。可信度问题还会带来其他影响，比如错误地预测重点细分市场的购买趋势，或者大学招生中未能考虑到的文化因素等。
可解释的人工智能
通过引入符号AI，黑盒被打开，这样用户就可以理解机器为什么会以特定方式行事，如果结果不理想，还可以做什么进行优化。此外，这种可见性使操作人员能够持续监视自己的流程，从而做出适当的调整。
人工智能是一个强大的工具，可以为企业数据运营带来奇迹，但它仍处于起步阶段。对于有远见的组织来说，标准的、单一模式的人工智能迭代的局限性已经越来越明显。我们需要的是一种方法，能让这项技术更具适应性，更能深入挖掘数据的潜在价值，同时让人工智能变得更容易使用，成本更低。
混合人工智能——基于理解实际知识而不是简单学习模式的符号人工智能——是企业挖掘多年来收集的所有数据价值的优选方式。
译者介绍
张怡，51CTO社区编辑，中级工程师。主要研究人工智能算法实现以及场景应用，对机器学习算法和自动控制算法有所了解和掌握，并将持续关注国内外人工智能技术的发展动态，特别是人工智能技术在智能网联汽车、智能家居等领域的具体实现及其应用。
原文标题：TheHybridtoGiveYourAItheGiftofKnowledge，作者：MarcoVarone
