（文章來源：百家號）

機器學習尤其擅長于識別模式和發現異常或異常值。“模式匹配模式”是人工智能項目中不斷重復使用的方法之一，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。

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。

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。

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。