七爪源码：经典编程与简单英语的人工神经网络

“防火墙测定”比如说

在这篇引言的篇名之前，我尝试可用防火墙测定比如说来阐释监督人工智能与经典作品程序员的差异。

为什么我们并不需要人工智能？

我的许多同事答道我为什么人工智能有这么多的炒作。 经典作品程序员还够好吗？ 什么是一个最简单的例子来证明人工智能对传统文化程序员的生产力？

这就是为什么我不得不写一篇最简单的博客篇名，用最简单的英语阐释什么是人工智能以及它与经典作品程序员有何不同。

这张图片概述了经典作品程序员和人工智能之间的框架表达方式差异。

让我用一个有意思的例子来阐释它。

论点我们要撰写一个处理程序来识别Gmail显然防火墙。

在经典作品程序员之前，我们并不需要Gmail统计数据和一组规章来对Gmail展开类群。因此，我们并不需要雇用并能相符并能将Gmail识别为防火墙的规章的全人类应用人员。

例如，这样的规章似乎是，如果一封Gmail包含“你是大赢家”或“我就让给你钱”这样的短语。另一种具体情况似乎是，如果一封Gmail来自一个不得而知的发件人，并谈到一位的兄弟和他就让与您分享的巨额财富，或者该Gmail在全球范围有多个收件人。

你忘记了！

基本上，我们并不需要从Gmail之前浓缩特定相似性（这些相似性在 ML 术语之前称为相似性）并将我们的快捷键规章应用于它们。

这些规章联结一起似乎并能将Gmail不属于为防火墙。但很值得注意，手动分解这些规章是一个复杂而痛苦的处理过程，因为它并不需要全人类应用人员来开发它们，并且再度我们无法相符两边规章的优越性以及我们处理程序的再度效能。

这就是人工智能发挥作用的人口众多。

人工智能处理程序也是建立在统计数据正中央的，但框架差异在于我们事先不并不需要任何规章。相反，我们并不需要一组预先类群的Gmail来可用它们来特训人工智能模型。在特训阶段之后，人工智能模型将制定自己的规章，并且并能自动识别Gmail是否为防火墙。

总之，经典作品程序员和人工智能都并不需要统计数据。但主要差异在于，在经典作品程序员之前全人类才会开发规章，而在 ML 之前，机器可以根据注释统计数据分解规章。

致谢！下一期可知！