人工智能改变了企业利用数据的方式。问题在于，许多人仍然不理解AI技术涉及的技术概念和每个技术提供的独特优势之间的细微差别。机器学习，机器推理，人工智能，尽管存在差异和具体用例，但所有术语都广泛使用并且通常是同义词。

最值得注意的是，人们经常误解机器学习和机器推理之间的重要区别。即找到模式与理解关系。它们在分析过程中都发挥着特殊的作用，尽管不同，但同样重要的是都可从另一方面获得最大的价值。

有一个简单的比喻可以帮助区分机器学习和机器推理之间的区别；以及它们如何结合在一起，形成最具凝聚力的AI解决方案。

什么是机器学习，哪里最适用？

解释机器学习的一个简单方法就是想象一个孩子正在把桌子上的玻璃制品推过来。而之前没有遇到过这种情况，孩子无法预测结果。但是随着成长和学习，他理解发生了什么，即使他不完全明白为什么。这是工作中的机器学习。

机器学习是AI广泛使用的一种形式，它依赖于使用可以分析模式的收集的数据集。虽然机器学习在涉及大数据和模式的许多领域都取得了很大的成功，但其对网络安全的影响是衡量最多的， 而且面临着最大的冲击。这可能有三个原因。

首先，由于企业安全策略限制共享内容，企业变得孤立无援，无法向更广泛的社区学习，所以安全机器学习的声誉很差，因为仅访问现有数据进行分析可能很困难。

其次，安全作为一种实践也被认为是一种随着威胁媒介不断发展变得越来越复杂的事情。这限制了先前数据集用于预测的价值。

最后，机器学习面临着必须克服对部落知识依赖的障碍。有些违反直觉的是，IT和安全实践倾向于强调个人拥有的固有知识，同时也广泛地依赖于数据驱动的分析。众所周知，人工智能驱动的技术可能会发现大量潜在的事件，但它需要数据，领域知识和受过良好教育的本能相结合才能进行更深入的调查。部落的知识是有价值的，但它也面临一个更大的难题。

最终，机器学习最适用于结果是概率性的情况，如确定风险级别。另一方面，机器推理可以通过添加人的元素来补充这些知识。

什么是机器推理？它最适用于哪里？

现在想象一下，那个曾经把玻璃制品从桌子上推下来的小孩，现在了解运动和重力的物理学。即使之前没有遇到过这种情况，幼儿也可以猜测不可避免会发生的事情。小孩可以将相同的逻辑应用到桌子上的另一个对象上，调整知识并将其应用到同一桌子上的电视遥控器上，因为他知道为什么会发生这种情况。这就是机器推理。

机器推理在AI频谱中更像人类，与大数据调查密切相关，因此它比机器学习更灵活。然而，机器推理需要启发式和策略，这通常由知识渊博的领域专家完成。这个过程就是机器推理对企业来说很难扩展的地方，因为这需要大量的专家人力来完成这个策略。

机器推理最适用于确定性场景。也就是说，确定某件事是否真实，或者是否会发生。知道这一点，很清楚为什么机器学习和机器推理能够很好地协同工作。

整合机器学习和推理：企业需要知道什么才能取得最佳效果

机器学习和机器推理不应该被看作是分析数据的竞争方式，而是互补的。最终归结为分析具体用例以及贵企业如何从每个用例中受益。