數據挖掘在人工智能上的應用

孫兆莉

（南京萊斯信息技術股份有限公司，南京 210000）

0 引言

人工智能擁有著較為長遠的發展前景，它可以很好的將網絡領域和現實工作進行完美的結合，可以運用數據對其進行操控。例如，在如今許多的軟件工程中，都會采用人工智能進行工作，例如：基于預警模型，創建大數據驅動的開放共享平臺，創新開發行政監測、公眾共享場景，構建全鏈條、可展現的信用監測平臺，實現信用監測的自動預警。

1 具體概念

1.1 人工智能

人工智能顧名思義可以將人們所發生的行為通過智能進行刻畫，從而代替人們來完成工作。人工智能主要依靠計算機科技網絡為基礎，將網絡與現實工作連接起來，從而加快工作效率。人工智能包含著很多系統，例如，在現實中銀行大廳常見的人工智能，可以為人們提供一些咨詢幫助。這些種類的人工智能往往都被安裝著語言系統、識別系統等可以模仿人類的系統，將繁雜的工作變成程序化，并將每一個程序都完整的進行表達，從而為人們提供幫助。

1.2 數據挖掘

數據挖掘是對大量的數據進行有效獲取，將有用的信息進行保留，并將無用的信息進行暫時性刪除。數據挖掘對于某些操作性的系統是十分有幫助的，它可以提供更優質的方案，從而使工作質量提高。而數據挖掘在如今的人工智能中也頗有造詣，數據挖掘可以擴大人工智能中的查詢系統，從而使人工智能的優勢擴大化。兩者相結合后的產品是其他單體的計算機無法所超越的，它可以將某些數據更深化的進行研究。因此，數據挖掘的加入，使人工智能的功能更加完善。

2 數據挖掘在人工智能中的具體應用

數據挖掘可以使人工智能更加完整有序，在進行篩選數據時，可以先對數據進行分類，分為不同層次的數據，可以縮短尋找時間。其次，對于較為模糊的信息，或者某些不準確的信息，系統可以進行自動排除。人工智能往往更加的系統化，將每一個環節都進行秩序性運行。對整個網絡的數據進行實時監控，對每一個信息都進行反復處理和分析。

而人工智能不僅體現在數據處理這一方面，它還廣泛的運用于智能自主機器學習中，基于情報信息服務平臺將各因素涉及的糾正信息和增補信息特征向量化后存入數據庫。以違法行為樣本庫為原始材料，結合法律法規演繹，并基于DF、互信息（Mutual Information）、期望交叉熵（Expected Cross Entropy）、卡方統計量等特征提取方法，構建違法行為特征模型。將行為樣本從一個無結構的原始文本轉化為結構化的計算機可以識別處理的信息，即對文本進行科學的抽象，建立數學模型，用以描述和代替行為。將情報綜合分析過程中關聯的主體、客體、行為、涉及資源、類別、特征數據等，都存入數據庫，形成情報綜合分析庫。基于人工經驗向量庫、情報綜合分析庫、違法行為樣本庫，利用分類挖掘算法建立學習模型，模擬和實現人類的學習行為。在分類問題中，可以使用準確率、召回率、F1值、混淆矩陣等指標。重點關注詞向量的維度、卷積核的個數、卷積核的窗口值、dropout 等模型優化參數，通過嘗試不同的方法估不同方案的模型效果。借鑒專家系統、自動推理、自然語言理解、模式識別等應用成果，研究各種測度算法，通過自動增補、持續優化已有數據模型和算法，逐步提升案情判定的智能化和精準性。

人工智能的高模擬性能和學習性能是人腦無法超越的，它可以連續不間斷的對指定的目標進行學習，并在系統中不斷切換各種角度進行模擬操作，并在實戰中靈活判斷，從而做出正確的選擇。人工智能十分強大，需要技術人員不斷對人工智能的系統進行更新，從而開展更多的功能，才能夠為各個領域提供幫助，也真正實現科技推動國家發展的需求。

3 運行人工智能需要的條件

3.1 操作人員

在人工智能的背后往往需要一個技術人員對其進行操控，因其包含的方面十分廣泛，所以要求工作人員必須精通技術知識，并擁有豐富的實踐經驗，以此才能夠對智能機器下達命令。若對技術知識掌握的不夠全面，在發生命令錯誤時，可能導致人工智能的系統留下隱患，從而減少人工智能的使用壽命。

3.2 定期的檢測

人工智能擁有著許多繁雜的系統交叉著進行工作，因此所處理的數據異常龐大，在不斷的使用后，人工智能可能會出現卡頓、發熱等情況發生。因此，為了防止此類情況的發生，企業必須安排專業的技術人員對人工智能內部的構架進行定期的檢測，以防系統故障，從而無法運行，耽誤工作效率。

4 結束語

在如今的科技時代，許多新興的產物被不斷發明，而對于人工智能方面，技術人員仍需要不斷創新，從而克服某些問題。而數據挖掘在人工智能中的應用，使人工智能所設計的領域變得更加廣泛，但其中技術人員不乏對某些方面沒有考慮周全，因此，仍舊需要技術人員不斷探索，將其結合的更加完善，從而使人工智能涵蓋的范圍更加廣泛。