人工智能（AI）是有史以來開發的最強大的技術之一，但是它并不像您想象的那么新。實際上，自1950年代問世以來，它經歷了幾次演變。第一代人工智能是“描述性分析”，它回答了“發生了什么？”這一問題。第二個“診斷分析”指出：“為什么發生？”第三代是“預測分析”，它回答了以下問題：“基于已經發生的事情，將來會發生什么？”

盡管預測分析可以非常有用，并且可以為數據科學家節省時間，但預測分析仍然完全依賴于歷史數據。因此，面對新的未知場景，數據科學家將無可奈何。為了擁有真正的“人工智能”，我們需要能夠自行“思考”的機器，尤其是在面對陌生情況時。我們需要的AI不僅可以分析顯示的數據，還可以在沒有合計的情況下表現出“直覺”。簡而言之，我們需要能夠模仿人類直覺的人工智能。幸運的是，我們有它。

什么是人工直覺？

第四代人工智能是“人工直覺”，它使計算機能夠識別威脅和機會而無需告知要尋找的內容，就像人類的直覺使我們無需特別指示如何做就可以做出決定。這類似于經驗豐富的偵探，他們可以進入犯罪現場并立即知道某些事情似乎不對勁，或者是經驗豐富的投資者，可以在其他任何人面前發現即將到來的趨勢。人工直覺的概念是僅僅五年前才被認為是不可能的。但是現在，像Google，Amazon和IBM這樣的公司正在努力開發解決方案，并且一些公司已經設法對其進行了操作。

它是如何工作的？

那么，人工直覺如何在沒有任何歷史背景的情況下準確地分析未知數據以將其指向正確的方向呢？答案在于數據本身。一旦顯示了當前數據集，復雜的人工直覺算法便能夠識別數據點之間的任何相關性或異常。

當然，這不會自動發生。首先，人為的直覺不是建立用于處理數據的定量模型，而是應用定性模型。它分析數據集并開發一種上下文語言，該語言表示其觀察到的整體配置。這種語言使用各種數學模型，例如矩陣，歐式空間和多維空間，線性方程式和特征值來代表“大局”。如果您將大圖想象成一個巨大的難題，那么從直覺上就可以從一開始就看到完整的難題，然后根據特征向量的相互關系進行回溯以填補空白。

在線性代數中，特征向量是一個非零向量，當對其應用線性變換時，特征向量最多變化一個標量因子（方向不變）。對應的特征值是特征向量縮放所依據的因子。從概念上講，這提供了一個可視化異常標識符的指南。然后，將任何無法正確放入大圖的特征向量都標記為可疑。

如何使用？

人工直覺幾乎可以應用于任何行業，但是目前在金融服務領域取得了長足的進步。大型全球銀行越來越多地使用它來檢測復雜的新型金融網絡犯罪計劃，包括洗錢，欺詐和ATM黑客攻擊。可疑的金融活動通常隱藏在成千上萬個具有自己的連接參數集的交易中。通過使用極其復雜的數學算法，人工直覺可以快速識別出五個最具影響力的參數，并將其呈現給分析人員。

在99.9％的情況下，分析人員從成百上千的五種最重要的成分和相互聯系中發現時，他們可以立即識別所呈現的犯罪類型。因此，人工直覺具有生成正確類型的數據，識別數據，以較高的準確性和較低的誤報率進行檢測的能力，并以易于分析師理解的方式進行呈現。

通過發現看似無辜的交易之間的這些隱藏關系，人為的直覺能夠檢測到銀行并向其發出“未知未知數”（以前是看不見的，因此是意料之外的攻擊）并發出警報。不僅如此，而且還可以采用可追溯和記錄的方式解釋數據，從而使銀行分析師能夠為金融犯罪執法網絡（FinCEN）準備可執行的可疑活動報告。

它將如何影響工作場所？

人工直覺并不旨在替代人類的本能。它只是一個附加工具，可以幫助人們更有效地完成工作。在上面概述的銀行業務示例中，人為直覺并不能自行做出任何最終決定；它只是向分析師提供其認為是犯罪活動的信息。分析人員的工作仍然是審查已確定的交易并確認機器的懷疑。

自從艾倫·圖靈（Alan Turing）于1950年代首次提出該概念以來，人工智能已經走了很長一段路，并且它絲毫沒有放緩的跡象。前幾代人只是冰山一角。人工直覺標志著AI真正成為“智能”的關鍵。