数据挖掘在人工智能上的应用

孙兆莉

（南京莱斯信息技术股份有限公司，南京 210000）

0 引言

人工智能拥有着较为长远的发展前景，它可以很好的将网络领域和现实工作进行完美的结合，可以运用数据对其进行操控。例如，在如今许多的软件工程中，都会采用人工智能进行工作，例如：基于预警模型，创建大数据驱动的开放共享平台，创新开发行政监测、公众共享场景，构建全链条、可展现的信用监测平台，实现信用监测的自动预警。

1 具体概念

1.1 人工智能

人工智能顾名思义可以将人们所发生的行为通过智能进行刻画，从而代替人们来完成工作。人工智能主要依靠计算机科技网络为基础，将网络与现实工作连接起来，从而加快工作效率。人工智能包含着很多系统，例如，在现实中银行大厅常见的人工智能，可以为人们提供一些咨询帮助。这些种类的人工智能往往都被安装着语言系统、识别系统等可以模仿人类的系统，将繁杂的工作变成程序化，并将每一个程序都完整的进行表达，从而为人们提供帮助。

1.2 数据挖掘

数据挖掘是对大量的数据进行有效获取，将有用的信息进行保留，并将无用的信息进行暂时性删除。数据挖掘对于某些操作性的系统是十分有帮助的，它可以提供更优质的方案，从而使工作质量提高。而数据挖掘在如今的人工智能中也颇有造诣，数据挖掘可以扩大人工智能中的查询系统，从而使人工智能的优势扩大化。两者相结合后的产品是其他单体的计算机无法所超越的，它可以将某些数据更深化的进行研究。因此，数据挖掘的加入，使人工智能的功能更加完善。

2 数据挖掘在人工智能中的具体应用

数据挖掘可以使人工智能更加完整有序，在进行筛选数据时，可以先对数据进行分类，分为不同层次的数据，可以缩短寻找时间。其次，对于较为模糊的信息，或者某些不准确的信息，系统可以进行自动排除。人工智能往往更加的系统化，将每一个环节都进行秩序性运行。对整个网络的数据进行实时监控，对每一个信息都进行反复处理和分析。

而人工智能不仅体现在数据处理这一方面，它还广泛的运用于智能自主机器学习中，基于情报信息服务平台将各因素涉及的纠正信息和增补信息特征向量化后存入数据库。以违法行为样本库为原始材料，结合法律法规演绎，并基于DF、互信息（Mutual Information）、期望交叉熵（Expected Cross Entropy）、卡方统计量等特征提取方法，构建违法行为特征模型。将行为样本从一个无结构的原始文本转化为结构化的计算机可以识别处理的信息，即对文本进行科学的抽象，建立数学模型，用以描述和代替行为。将情报综合分析过程中关联的主体、客体、行为、涉及资源、类别、特征数据等，都存入数据库，形成情报综合分析库。基于人工经验向量库、情报综合分析库、违法行为样本库，利用分类挖掘算法建立学习模型，模拟和实现人类的学习行为。在分类问题中，可以使用准确率、召回率、F1值、混淆矩阵等指标。重点关注词向量的维度、卷积核的个数、卷积核的窗口值、dropout 等模型优化参数，通过尝试不同的方法估不同方案的模型效果。借鉴专家系统、自动推理、自然语言理解、模式识别等应用成果，研究各种测度算法，通过自动增补、持续优化已有数据模型和算法，逐步提升案情判定的智能化和精准性。

人工智能的高模拟性能和学习性能是人脑无法超越的，它可以连续不间断的对指定的目标进行学习，并在系统中不断切换各种角度进行模拟操作，并在实战中灵活判断，从而做出正确的选择。人工智能十分强大，需要技术人员不断对人工智能的系统进行更新，从而开展更多的功能，才能够为各个领域提供帮助，也真正实现科技推动国家发展的需求。

3 运行人工智能需要的条件

3.1 操作人员

在人工智能的背后往往需要一个技术人员对其进行操控，因其包含的方面十分广泛，所以要求工作人员必须精通技术知识，并拥有丰富的实践经验，以此才能够对智能机器下达命令。若对技术知识掌握的不够全面，在发生命令错误时，可能导致人工智能的系统留下隐患，从而减少人工智能的使用寿命。

3.2 定期的检测

人工智能拥有着许多繁杂的系统交叉着进行工作，因此所处理的数据异常庞大，在不断的使用后，人工智能可能会出现卡顿、发热等情况发生。因此，为了防止此类情况的发生，企业必须安排专业的技术人员对人工智能内部的构架进行定期的检测，以防系统故障，从而无法运行，耽误工作效率。

4 结束语

在如今的科技时代，许多新兴的产物被不断发明，而对于人工智能方面，技术人员仍需要不断创新，从而克服某些问题。而数据挖掘在人工智能中的应用，使人工智能所设计的领域变得更加广泛，但其中技术人员不乏对某些方面没有考虑周全，因此，仍旧需要技术人员不断探索，将其结合的更加完善，从而使人工智能涵盖的范围更加广泛。