深度学习

深度学习是使用神经网络方法的机器学习子类别。这种方法类似于记忆泡沫：一旦引入了对象（在这种情况下为规则），它就会留下AI可以回忆起的印记。这使得它对于基于规则的决策有效，并且还可以处理不同类型的非结构化数据。在工作场所中，深度学习可用于诸如预测性维护之类的用例，例如，在其中，它可以获取音频或视觉数据来预测某台设备何时可能发生故障。在医疗保健中，深度学习可以查看扫描以识别异常或阴影。

但是，就像机器学习一样，训练也需要时间。尽管您可能会说培训本身就发生了，但问题是，对良好或不良行为的定义需要太多的时间和精力来灌输。例如，在机场的面部识别系统中使用深度学习来识别可疑人员，可能会导致偏见，弊大于利。面孔并不总是遵循“规则” ，人工智能很难准确识别特征。

确定性AI

确定性AI是机器学习的另一个子类别，但是采用了非常不同的方法。它类似于安全工程方法，基于有向依存关系图（例如，来自实时拓扑发现）执行逐步的故障树分析。结果，它可以提供精确的答案，并将问题的发展映射回根本原因。它可以近乎实时地执行此操作，而无需人工分析和解释数据。尽管确定性AI可能无法满足更多重复性任务的要求，例如汽车装配线上的机器人流程自动化，但确定性AI非常适合规则不断变化的环境。