什么是机器学习？

机器学习是一项训练计算机找到模式、做出预测并从经验中学习且无需明确编程的技术。

机器学习（ML）是人工智能（AI）的一个子类，是指利用算法识别一组数据中的模式并做出预测。这些数据可以包含数字、文本，甚至是照片。在理想条件下，机器学习可让人类以自身未曾企及的速度和准确度解读数据。

人工智能是指人类对机器赋予一种类人的智能。而机器学习意味着人们通过对机器进行编程，使其模仿人类天生具备的特定认知能力，例如感知、学习和解决问题。

如何让机器像人类一样思考？那就是对机器进行训练，使其创造自己的预测模型。这种预测模型可作为机器分析数据的手段，并最终成为“具备学习能力的”机器。要开始这一过程，您需要向计算机提供数据并选择学习模型，以指导机器如何处理这些数据。

机器学习模型最终可以使用数据来实现 3 种功能：

• 描述发生了什么
• 预测将会发生什么
• 建议接下来怎么做

根据任务的复杂度和期望的结果，要选择不同的学习模型来训练机器。机器学习通常划分为 3 种学习风格：

监督学习模型是利用加标签的数据集来进行训练。这种模型一般用于图像识别等任务。

无监督学习模型是通过浏览未加标签的数据并查找共性、模式和趋势。这种模型通常用于客户细分、推荐系统和一般数据探索等任务。

强化学习模型是通过在既定回报系统中使用试错流程来进行训练。这种学习可用于训练计算机完成诸如玩游戏等通过操作得出胜败结果的任务。

一旦计算机利用学习模型和训练数据，熟悉了您希望其解读数据的方式后，就能在出现新数据时做出预测并执行任务。随着计算机不断从持续的数据流中学习，其预测准确度会逐渐提高，并且能够以比人类更短的时间和更高的准确度完成任务。

机器学习和人工智能可用于提升用户体验、预测客户行为、监控欺诈检测系统，甚至还能帮助医疗卫生提供方检测危及生命的疾病。在日常生活中，我们许多人都会用到机器学习。常见的用例包括：

• 流媒体平台上的算法推荐内容。
• 智能客服和聊天机器人。
• 定向投放广告。
• 金融机构自动化报价。

如今为许多 AI 工具提供支持的生成式 AI 是通过深度学习实现的，深度学习是一种用于分析和解释大量数据的机器学习技术。大型语言模型（LLM）是生成式 AI 的子集，具备能够以空前的规模理解和生成人类语言的能力，代表机器学习的关键应用。 

机器学习现已逐渐成为许多公司竞相使用的功能，医疗卫生、金融服务、电信、政府和其他行业纷纷都涌现出变革性的 AI/ML 用例。

红帽® Openshift® AI 和 OpenShift 数据科学可为团队奠定共同的基础，以便构建和部署具有透明度和控制力的 AI 应用和机器学习（ML）模型。 

红帽 OpenShift 数据科学是一个平台，可以针对您的独特用例使用您自己的数据来训练、即时调整、微调和提供 AI 模型。

对于大型 AI 部署，红帽 OpenShift 提供了一个适合 AI 工作负载的可扩展应用平台，并以主流的硬件加速器来加以完善。

此外，红帽还在利用自己的红帽 OpenShift AI 工具来提升其他开源软件的实用性，首先推出了 Ansible Lightspeed 与 IBM watsonx Code Assistant。Ansible Lightspeed 可以帮助开发人员更高效地创建 Ansible 内容。它读取用户输入的简单英语，然后与 IBM watsonx 基础模型交互，产生自动化任务的代码建议，随后这些代码建议用于创建 Ansible Playbook。

此外，红帽的合作伙伴集成有利于形成由众多可信 AI 工具构成的生态系统，与开源平台搭配使用。