算法是一系列包含能够帮助人解决问题、完成目标任务的规则的步骤。用正确的方式把这些步骤和规则组织起来，能够自动化算法建立人工智能（AI）。AI能够帮助我们做大量的分析性工作，让我们把时间集中于更有价值的事情。
AI正在改变我们的职业、我们的工作方式和我们的企业文化。AI让我们得以专注于那些真正关键的技术，让人力资源得以充分发挥他们的长处。但在工作场景中应用AI确实会让事情变得复杂，因为有各种不同层级的算法可以用于实现AI，每一类的使用和影响都有差别。为了更好地平衡人力资本和AI资本，本文作者介绍了用于实现AI、大数据、和数据科学的十大类算法，以及它们分别擅长的任务。
1. Crunchers
这些算法使用比较少的重复步骤和较为简单的规则处理（crunch）复杂问题。我们给这些算法提供数据，它们就能得出一个答案。如果我们不喜欢这个答案，可以给算法提供更多的数据，让算法调整答案。Cruncher类算法擅长客户分类、预估项目持续时间、分析调查数据等任务。
2. Guides
这些算法为我们怎样根据成功的历史操作得出最好的策略、步骤或工作流提供指南（guides）。指南类算法擅长协调大量需要理解并执行如风险管理、战略改变、复杂项目管理等事情的动态部件。
3. Advisors
这些算法基于历史规律为我们提供预测、排名、成功的可能性等，对我们提出最佳选择的建议（advise）。建议类（advisors）算法擅长提出决策、规划和风险缓解方面的建议。
4. Predictors
这些算法使用解释历史行为和历史事件的小型可重复性决定和判断来对未来的人类行为和事件作出预测。预测类（predictors）算法擅长商业规划、市场预测、品牌管理、健康诊断，以及预测消费者行为、品牌吸引力、欺诈行为、营销机会、气候事件以及疾病爆发等。
5. TacTIcians
这些算法在战术上（tacTIcally）预先考虑短期行为并作出相应的反应。它们通过应用短期战术规则（short-term tacTIcal rules）的组合以及从相关人员中学来的信息做到这一点。战术类（tacTIcians）算法擅长平衡供应链、系统性能、人力工作负荷和生产线。
6. Strategists
这些算法从策略上（strategically）预测行为并作相应的计划。策略类（strategists）算法根据过去的数据发掘洞察和创新机会。它们通过应用短期规则和长期规则的组合、从相关人员中学来的信息以及这些人在不同的环境中的反应来做到这一点。
策略类（strategists）算法擅长预测市场需求、客户流失、工作效率以及员工流失。
7. Lifters
这些算法能够代替我们自动完成重复性的任务，让我们能够专注于更有价值的工作。lifters类算法擅长分析和识别规则、欺诈行为、风险、改进、转型、机会和创新等中重复的模式和差距。
8. Partners
这些算法具有我们的领域中的许多专业知识，能让我们更高效、更专注。合作伙伴类（partners）算法擅长为我们提出建议、提供训练，让我们密切了解市场变化，并调整每日、每季度以及每年的目标。Partners理解我们的行为模式，知道我们何时应该吃午饭，气温达到几度时需要开空调等等。
9. Okays
这些算法在多个领域具有专业知识，能够代替我们的团队完成全部分析工作。算法完成分析后，团队中的每个人分别根据自己的专业技能审核分析结果，然后通过（okay）结果。Okays类算法擅长从各个角度深入分析物体构建大型图像，可用于业务规划、战略改变、文化转型等。
10. Supervisors
这些算法对我们的工作具有关键作用。它们能够管理工作者及其业务，使企业保持生产效率和财力的强健。监督类（supervisors）算法能够协调人力一起其他算法，帮助我们实现长期的战略发展目标。
AI是我们在全球商业舞台上生存的关键。仅以人类资本参与竞争是不够的，我们不仅需要AI来代替我们自动化工作，让我们的创新力有更大的发挥，而且需要AI 来改变我们的行为、习惯以及工作风格，以使我们保持竞争力。为了保持我们的竞争优势，我们必须理解AI如何工作，同时AI也必须理解我们如何工作。而为了理解我们如何工作，AI必须理解情绪智能（Emotional Intelligence）。
延伸阅读：谷歌人工智能新进展，只看一次图片就能认得图中物体
计算机算法通常需要成千上万个例子才能学会一件事情，但谷歌DeepMind的研究人员却找到一种绕过这一流程的方法。
我们多数人看过某个东西一两次后都能认出这种物体。但计算机视觉识别和语音识别算法却需要成千上万个例子才熟悉一种新的图形或单词。
谷歌DeepMind研究人员现在找到了一种新的方法，他们对深度学习算法进行了一些调整，使之只需通过一个例子便可认出图像中的物体或其他东西——他们称之为“单次学习”。该团队针对大量添加了标签的图片以及手写字体和语言对此进行了验证。
最好的算法的确能够可靠地识别物体，但由于需要庞大的数据，所以非常耗费时间和金钱。例如，想要让算法识别出道路上的汽车，就需要为其提供成千上万个例子才能在无人驾驶汽车中实现可靠的准确率。但要收集如此多的数据通常并不实际——例如，不可能为了让一个机器人在一套不熟悉的房子里行走而为其提供长时间的学习机会。
谷歌DeepMind研究员奥里奥尔·温亚尔斯（Oriol Vinyals）在深度学习系统中增加了一个记忆组件。该团队利用一个名为ImageNet的标记图片数据库对该系统的能力进行了验证。
这套软件仍然需要分析数百种图片，但此后却可以学会用一张照片识别新的物体。它本质上是通过分析图片中的独特元素来完成识别任务的。这种算法只需要看一一个例子，便可达到近似于传统深度学习系统的准确率。
温亚尔斯称，如果能够快速识别出一个新单词的意思，这项技术的用途便会得到明确体现。这对谷歌非常有用，因此该公司可以借此快速学习某个新的搜索项的含义。
之前也曾有人开发过单次学习系统，但通常不兼容深度学习系统。“我认为这是一种很有趣的方法，它提供了一种新颖的方式对大规模的数据库进行单次学习。”韩国先进科技学院大脑和机器智能实验室主任Sang Wan Lee说，“这为人工智能社区做出了技术贡献，计算机视觉研究人员可能非常重视此事。”
但也有人对这项技术的用途提出质疑，毕竟它与人类的学习方法存在很大差异。例如，哈佛大学脑科学系副教授山姆·格什曼（Sam Gershman）表示，人类通常是通过理解一张图像的组成元素来学习的，这需要一些实际的知识或尝试。例如，“赛格威可能看上去与自行车或摩托车大不相同，但它却可以使用相同的零件。”
不过，格什曼和Sang Wan Lee都表示，机器要在学习能力上比拼人类仍然要经过一段时间的发展。“我们远远没有揭开人类单次学习的秘密。”他说Sang Wan Lee说。
