理解 人工智能的最新發展看似令人望而卻步，但如果你感興趣的是了解基本元素，你可將很多人工智能發明歸類為兩大概念： 機器學習和深度學習 這些詞語通常看似可互相取替，因此我們需要知道它們之間的分別。
這些分別應被知道——機器學習和深度學習的例子比比皆是。 它是Netflix知道你下一個會看甚麼節目的方法、Facebook知道照片裡的人臉是誰的方法、讓自動駕駛得以成真的技術，以及客戶服務代表在你完成客戶滿意度調查前知道你會不會滿意他們的支援的方法。
所以這些主導人工智能對話的概念是甚麼？它們事實上又多不一樣？
深度學習 vs 機器學習
要最輕鬆地理解機器學習和深度學習之間的分別，就是知道深度學習即機器學習。
更仔細的話，深度學習被視為機器學習的進化版。 深度學習使用可被編程的神經網絡，容許機器在沒有人類幫助下準確地作出決定。
但對入門者來說，先定義機器學習或許會更適合。
甚麼是機器學習？
機器學習是人工智能的一個應用方法，包含分析數據、學習數據和應用知識以作出選擇的演算法。
一個簡單的機器學習演算法例子是隨選音樂串流服務。 為了讓串流服務決定向用戶推介哪一首新歌或歌手，機器學習演算法會將用戶的偏好設定與其他有相似品味的用戶對比。 這個技巧通常都被簡稱為人工智能，它已被用於很多提供自動化建議的服務。
機器學習驅動所有橫跨所有領域的自動化工作，由偵測惡意軟件的數據安全公司，到想為偏好交易設定提示的金融專家。 人工智能演算法被設定成一個模擬虛擬個人助理、不斷學習的工具——一個它們做得挺好的工作。
機器學習包括很多複雜的數式和編碼，而最終這些都與一支電筒、一輛車，或一個電腦屏幕有一樣的硬件功能。 當他們說某些事情可進行機器學習，代表它是一個可以根據獲得的數據工作的裝置，並且可隨著時間不斷進步。 就好像你有一支電筒，會在你每次說「真暗。」時亮著，代表它會辨認所有包括「暗」字的句子。
現在，當我們開始談論深度學習和深度神經網絡時，機器學習新技能的方式變得非常
有趣（和令人興奮）。
甚麼是深度學習？
深度學習是機器學習的分支，將演算法分成幾層，去創造一個可學習和自行作出決定的「人工神經網絡」。
深度學習和機器學習之間的分別
實際技術上，深度學習就是機器學習的一個分支。 事實上，深度學習就是機器學習，兩者有相似的運作模式（因此為何兩者有時可用來取代對方）。 然而，它們的能力有分別。
基本的機器學習模型確實不論功能，都可逐漸進步，但它仍需要一些指導。 如果一個人工智能演算法作出錯誤估算，就需要工程師介入作出調整。 如果是深度學習模型的話，演算法可以透過自己的神經網絡自行決定估算是否準確。
回到電筒的例子吧：它可被編程為在辨認到有人說「暗」的時候亮著。 當它一直學習，可能最終會在聽到任何包含「暗」字的句子是亮著。 如果電筒使用深度學習模型，就可以弄清楚應否在聽見「我看不見」或「開關壞了」的時候串連一個光感應器。 一個深度學習模型可以透過自己的演算法學習——一個令它好像擁有腦袋的技能。
深度學習是怎樣運作的？
一個深度學習模型是設計為持續分析數據、與人類作出結論時的邏輯系統相似的模型。 要做到這一點，深度學習應用程式會使用一個名為人工神經網絡的分層演算法。 人工神經網絡的設計受人腦的生物神經網絡啟發，引發一個遠比一般機器學習模型更厲害的學習過程。
確保深度學習模型不會作出錯誤結論是一項棘手的工作——就好像其他人工智能的例子，深度學習需要很多訓練才能學會正確的學習過程。 但當它以預期中的方式運作，功能性的深度學習通常都被視為一個科學奇蹟。很多人都將它看成真實的人工智能的棟樑。
一個深度學習的絕佳例子就是Google的AlphaGo。 Google創造了一個擁有自己神經網絡、學會了如何玩桌上遊戲Go的的電腦程式。這個遊戲以要求敏捷思維和直覺聞名。 透過與專業的Go玩家對戰，AlphaGo的深度學習模型以從來沒有人工智能使用的方式學會如何玩遊戲，並且在沒有貨的指令的情況下掌握玩法（一個機器學習模型會需要指令）。 AlphaGo打敗數名舉世知名的高手時引起一陣哄動——不只是因為一台機器可以掌握複雜的技能和遊戲的抽象概念，還因為它也成為了其中一位高手。
重溫兩者的分別：
- 機器學習使用演算法去分析數據、從數據中學習，以及基於學到的食物來作出決定
- 深度學習是將演算法分成幾層，去創造一個可學習和自行作出決定的「人工神經網絡」。
深度學習就是機器學習的一個分支。 兩者都屬於人工智能，但深度學習是驅動最仿真人人工智能的技術。
以數據驅動未來
現時的「大數據時代」生產了大量數據，我們將會見證現在還沒想像得到的發明，可能在未來十年就會發生。 根據專家，其中有些很可能會是深度學習應用程式。
中國主要搜尋引擎的總科學家和Google大腦計劃的其中一個負責人Andrew Ng與《連線雜誌》分享了一個很好的深度學習比喻。 「我認為人工智能就像建造一艘火箭。 你需要一個巨大的引擎和大量燃油。」他告訴雜誌的記者Caleb Garling 「如果你有一個巨大的引擎和少量燃油，你不會進入軌道。 如果你有一個細小的引擎和很多燃油，你甚至不能起飛。 建造火箭，需要一個巨大的引擎和大量燃油。」
「比喻深度學習的話，火箭引擎就是深度學習模型，燃油就是我們向演算法提供的大量數據。」
– Andrew Ng (資料來源： 連線雜誌）
所以機器學習和深度學習對客戶服務有甚麼意義呢？
現時很多客戶服務的人工智能應用程式都使用機器學習演算法。 它們習慣驅動自助服務、提升代理的生產力，和令工作流程變得更加可靠。
這些演算法獲得的數據來自客戶的查詢，包括客戶正面對的問題的相關背景。 將那些背景匯入人工智能應用程式，結果會帶來更快和更準確的預測。 這讓人工智能成為讓很多企業興奮的機會，行業領袖估計最實用的商業相關人工智能應用程式將會被用於客戶服務上。
在深度學習變得更完善的同時，我們也會看到人工智能在客戶服務方面的進一步應用。 一個突出的例子就是Zendesk自己的Answer Bot 。它運用了一個深度學習模型去理解支援工單的背景資訊和學習應向客戶推介哪一篇支援文章
