人工智能为企业做出了令人难以置信的贡献。它帮助企业 一点常识就能改变 提高流程效率，拓宽对数据的理解，并最终做出更好的决策。然而，尽管人工智能被大肆宣传，但人们对该技术及其局限性仍然缺乏清晰的认识。
关于人工智能最大的误解之一是它与机器学习同义。虽然机器学习是最常用的人工智能技术（根据德勤的《企业人工智能现状，第 3 版》，67% 的人工智能采用者表示目前正在使用机器学习），但它远非唯一选择，也并非完美无缺。不幸的是，许多人在没有完全了解这些选项的能力的情况下就放弃了这些选项（尤其是人工智能的 NLP 分支中的选项），而是寻求利用机器学习最大限度地发挥它们的潜力。
ML 在 NLU/NLP 中的局限性
我们一直认为机器学习可以解决我们遇到的所有问题，而且在很多方面确实如此。然而，仅仅因为机器学习 可以 做某事，并不意味着它就是理想的方法。在自然语言理解和自然语言处理方面，我们经常看到这种情况。
虽然机器学习完全能够支持某些语言密集型应用程序，但它在许多方面受到限制，无法提供最佳结果。解决这一问题的常识性解决方案是找到一种技术，用人类知识补充现有的人工智能框架，但很多时候，人们为了其他蛮力而抛弃常识和技巧。
缺乏基础知识
语言是一个极其复杂和微妙的概念。即使对于 手机号码数据 最聪明的人来说，学习和理解语言也是一项挑战，而对于机器来说，学习和理解语言也非常困难。 虽然机器学习模型已经经过训练可以处理语言，但它们缺少一个关键要素：知识。
当然，机器学习模型是在大量数据上训练的，但数据并不等于知识。统计模型能够猜出句子中的下一个单词并不意味着它理解了。你通过知识获得理解。
例如， 雷·库兹韦尔 (Ray Kurzweil) 的 Google Talk to Books 项目旨在“通过阅读数千本书来回答任何问题”。然而，这种基于机器学习的模型无法始终如一地为诸如“哈利·波特在哪里遇见赫敏·格兰杰？”这样的简单问题生成正确答案，因为书中没有明确说明，而且由于缺乏知识而无法推断。在这种情况下，20 个答案中只有 6 个与哈利·波特有关，而其余 选择这个新的“筛选”选项卡 大多数与名为哈利的其他人有关，或者与完全不相关的主题有关。
建立这个知识库的最简单方法是通过一个以软件可以理解的方式表示知识的存储库——也称为知识图谱。知识图谱是符号人工智能方法的核心，对于 NLP 至关重要，因为它在语言模型中注入了“常识”。
凭借对语言的常识性理解，模型可以有效地防范其遇到的新情况或不熟悉的情况（例如 COVID-19）带来的意外后果。这些情况经常困扰缺乏将新信息情境化的能力的纯机器学习或深度学习语言模型。
数据中断
数据是所有人工智能模型的动力，但人们往往低估了启动 香港领先 机器学习模型以及在性能下降时重新训练模型所需的数据量。对于许多公司而言，这种数据需求甚至在 AI 项目开始之前就已停滞。事实上， 96% 的组织 由于数据稀缺、质量和数据标签而遇到了机器学习项目的问题。
公司不必依赖大量低于标准的数据集来支持 ML 模型，而是可以借助符号 AI 来生成更小、更有针对性的训练数据集。这种常识性方法可以同时解决多个与数据相关的问题。