從自動駕駛汽車、預測分析應用程序、人臉識別，到聊天機器人、虛擬助手、認知自動化和欺詐檢測，人工智能的用例很多。然而，不管AI的應用如何，所有這些應用都是有共性的。那些參與實現了數百甚至數千個人工智能項目的人意識到，盡管應用程序有這么多的多樣性，人工智能用例仍然屬于七個常見模式中的一個或多個。這七個模式是：超個性化、自主系統、預測分析和決策支持、會話/人機交互、模式和異常、識別系統和目標驅動系統。任何定制的人工智能方法都需要它自己的編程和模式，但是不管這些趨勢用在什么組合中，它們都遵循自己的標準規則集。根據應用人工智能的特定解決方案，這七個模式分別應用或以不同的組合應用。

超個性化模式：將每個客戶視為個體

超個性化模式被定義為使用機器學習來開發每個個體的文件，然后讓該文件學習并隨著時間的推移適應各種各樣的目的，包括顯示相關內容、推薦相關產品、提供個性化推薦等等。這種模式的目標是將每個個體視為一個個體。

超個性化特定模式的實現包括基于瀏覽模式和搜索創建個性化推薦。目前正在使用這種技術的公司有Netflix。他們利用人工智能根據個人選擇向觀眾推薦節目和電影。另一個例子是星巴克，該公司正在使用超個性化服務與他們的客戶群建立聯系。

超個性化的實現不僅限于營銷行業。它還出現在金融、醫療保健或個性化健身和健康應用等行業。例如，超個性化可以在常見領域金融和貸款產生巨大影響。在美國，FICO信用評分是用來將那些本來可能擁有巨大不同信用額度的個人歸為一類，并懲罰缺乏信用記錄的個人群體。從使用傳統的FICO評分轉向將每個人作為個體來對待，我們可能會得到更準確的個人描述，并可由此評估他們償還貸款的可能性有多大。

自主系統模式：減少對手工勞動的需求

自主系統是能夠完成任務，達到目標，與周圍環境交互，并在最少的人力參與下實現目標的實體和虛擬的軟硬件系統。超個性化的主要目標是把人當作個體來對待，而自主系統的目標則是在盡可能少的人際互動的情況下簡化事物。自主模式需要機器學習能力，能夠獨立感知外部世界，預測外部元素未來的行為，并計劃如何處理這些變化。

這種模式的明顯應用包括自動機器和各種車輛，包括汽車、船只、火車、飛機等等。然而，這種模式還包括涵蓋自主文檔，知識生成、自主業務流程和自主認知的自主系統。這些系統可以在接近人類的情況下運行，包括優先決策。

人工智能助力預測分析和決策支持

人工智能的另一種模式是預測分析和決策支持。這種模式的定義是使用機器學習和其他認知方法來理解過去或現有的行為是如何幫助預測未來的結果的，還可幫助人類根據這些模式來決定未來的結果。這種模式的目的是幫助人類做出更好的決定。

該模式的一些用途包括輔助搜索和檢索、預測數據的一些未來值、預測行為、預測故障、輔助解決問題、識別和選擇最佳匹配、識別數據中的匹配、優化活動、提供建議和智能導航等。它有助于做出更好的決策，提供增強的智能化能力。

會話模式：能夠像人類一樣進行通信的機器

人工智能的另一種模式是會話/人機交互模式。這被定義為機器和人類通過各種方法（包括聲音、文本和圖像形式）的交互，包括機器對人，人對機器，以及來回的人機交互。該模式的目標是使機器能夠與人類交互。

該模式最常見的例子包括聊天機器人、語音助手、感情、情緒和意圖分析。它試圖理解人類互動背后的意圖，它還可以通過翻譯促進人與人之間的互動。需要記住的重要一點是，這種模式是用來創建一種更容易的方式，讓人類和機器通過對人類來說自然或舒適的方法進行交互。

用人工智能識別模式和異常

機器學習尤其擅長于識別模式和發現異?；虍惓Ｖ怠！澳Ｊ狡ヅ淠Ｊ健笔侨斯ぶ悄茼椖恐胁粩嘀貜褪褂玫姆椒ㄖ?，且已經得到了越來越多的采用。人工智能的模式和異常模式的目標是利用機器學習和其他認知方法來學習數據中的模式，并學習數據點之間的高階連接，看看它是否符合現有的模式，或者它是否是一個異常值或異常。此模式的目標是找出與現有數據相匹配和不匹配的數據。

這種模式的應用包括欺詐和風險檢測，以查看事情是否超出了正常或預期。另一個應用程序是在數據中尋找模式，并幫助最小化或修復人為錯誤。這種模式還包括預測文本，它可以分析語音和語法中的模式，以幫助提出選擇哪些單詞來加快寫作過程的建議。

能夠識別世界的機器：識別模式

機器學習的一大進步是使用深度學習來大大提高與識別相關的任務的準確性，如圖像、視頻、音頻和對象識別、分類和鑒定。識別模式的定義是使用機器學習和其他認知方法來識別和確定目標或其他需要在圖像、視頻、音頻、文本或其他主要是非結構化數據中識別的東西。這種模式的目標是讓機器識別和理解事物。

該模式的應用包括圖像和對象識別、面部識別、音頻和聲音識別、手寫和文本識別以及手勢檢測。這是一種開發良好的模式，是計算機非常擅長的，并已經得到了廣泛的應用。有許多公司在識別系統上投入了巨資。事實上，資金最充足的人工智能公司之一Sensetime正專注于人臉識別應用，中國政府正在大力投資使用和采用這種模式。

解決難題：目標驅動系統模式

事實證明，機器尤其擅長學習游戲規則，并在游戲中打敗人類。在過去，機器很容易就能征服跳棋、國際象棋和迷宮。通過增強學習能力和更高級的計算能力，機器現在能夠在圍棋、DoTA等多人游戲以及更復雜的游戲中獲勝。Alpha Go和Alpha Zero是由谷歌的DeepMind部門創建的，該部門的理論是，計算機可以通過游戲學習任何東西。游戲只是解決方案的開始，這些解決方案甚至有可能在解決人工一般智能（AGI）長期期待的目標方面取得突破。

游戲并不是目標驅動系統的唯一可能性。借助強化學習和其他機器學習技術的力量，使用者可以通過應用機器學習和其他認知方法，使其系統能夠通過反復試驗和發現錯誤來學習。這對于任何想讓系統找到問題最優解的情況都是有用的。該模式的應用包括游戲、資源優化、迭代問題解決、投標和實時拍賣。雖然目標驅動的系統模式還沒有像其他一些模式那樣得到廣泛的實現，但它也正在得到更多的關注。

組合AI項目成功的模式

雖然這些看起來像是典型AI項目中單獨實現的離散模式，但實際上，我們已經看到有使用者將這七個模式中的一個或多個組合起來以實現它們的目標。通過從這樣的組合模式，它將幫助他們更好地接近、計劃和執行AI項目。事實上，新興的方法正專注于使用這七個模式作為加速AI項目規劃的一種方式。一旦你知道你正在做一個識別模式，例如，你可以洞察一個被廣泛應用于這個問題的解決方案，深入了解驅動模式所需的數據，模式應用的用例和示例，算法和模型開發技巧等，這可以幫助加快交付高質量的人工智能項目。

雖然人工智能仍處于采用的早期主要階段，但很明顯，識別和使用這些模式將幫助使用者更快地實現他們的人工智能項目目標，減少重復操作，并具有更多的成功機會。