企业使用AI的一个复杂因素是，这个主题包含了多个不同的底层技术。这些技术中大多数都能够完成很多替代功能。技术和功能的组合非常复杂，表中列出了7项关键技术，包括每项技术的简要描述，以及它们可以实现的一些典型功能或应用程序。

本文摘编自《数字时代的企业AI优势：IT巨头的商业实践》，将简要介绍这个表中的每种技术及其功能。本文作者托马斯·H. 达文波特（Thomas H. Davenport）是巴布森学院（Babson College）的信息技术与管理教授，同时也是德勤战略和分析实践部门的高级顾问。

机器学习是一种自动将模型与数据匹配，并通过训练模型对数据进行“学习”的技术。 机器学习是AI最常见的形式之一。

神经网络是机器学习的一种更为复杂的形式，该技术出现在20世纪60年代，并用于分类型应用程序，例如确定信贷交易是否为欺诈行为。

文互教程：从零开始的神经网络（Neural Networks from Scratch）。

最复杂形式的机器学习将涉及深度学习，或通过很多等级的特征和变量来预测结果的神经网络模型。得益于当前计算机架构更快的处理速度，这类模型有能力应对成千上万个特征。

NLP有两种基本方法：统计NLP和语义NLP。统计NLP是以机器学习为基础，而且其性能提升的表现要快于语意NLP。 它需要一个庞大的“语料库”或者语言体系来学习。

语义NLP是近十年来唯一的现实选择，如果能用单词、语法和概念之间的关系有效地对系统进行训练那么它就会相当高效。NLP系统的性能衡量方法之一是看它能回答多少种不同类型的问题或者看它能解决多少种问题。这通常都需要语义NLP，但是这方面并没有重大的技术突破。

在20世纪80年代，AI的主导技术是基于“if-then”规则集合的专家系统，而且在那个时代开始广泛地应用于商业领域。

当下的机器人变得越来越能够跟人类协作，而且更加容易训练，只需要根据预定的任务来移动机器人的部件就可以了。

机器人流程自动化（Robotic Process Automation，RPA）并不真正涉及机器人，它只是服务器上的计算机程序。但是由于RPA系统非常流行、自动化，且越来越智能化，因此我把它也视为AI世界的一份子。

作者：Thomas H. Davenport，2000年《CIO》杂志“新经济十大杰出人物”之一。《数字时代的企业AI优势：IT巨头的商业实践》重点解读了IBM、Amazon、脸书和Google等IT巨头企业如何将AI运用到商业应用中。关注企业如何利用人工智能/认知技术来获得商业利益和竞争优势。