关于人工智能（AI），数据科学和分析的定义存在很多混乱，这对于正在考虑专门研究这些领域的学生和早期职业人士尤其有害。 本文旨在消除这种混乱。
在有关"人工智能：一种现代方法"（Russell，2010年）的权威书中，人工智能（AI）被称为"智能软件代理"。 机器学习，计算机视觉和自然语言处理方面的进步为AI掀起了轩然大波。 这种嗡嗡声有时会掩盖其他AI算法，例如搜索，随机游戏等。
数据科学是关于组织和分析大量数据的。 它与机器学习（ML）工具紧密相连。 这些工具也称为AI。 与AI的重叠通常可以通过" AI制造工具； 数据科学使用工具"。 如果是这样，数据科学家就是训练和维护机器学习（ML）算法的机械师，而不是设计和构建系统的工程师。 这与那些旨在"从数据中提取价值"的数据科学家的愿望背道而驰（Irizarry，2020年），并迫使重新定义数据科学，使其成为与Analytics（分析）高度重叠的总称。
分析是"将数据转化为洞察力以做出更好的决策"所需的所有术语的统称（Saxena，2020年），其中包括以下任务：
· 使用统计数据，运营研究和决策分析来创建分析。 在报告，记分卡和仪表板中显示结果。
· 建立并运行数据供应链。 管理数据和元数据，确保数据处理流程和数据质量。
· 设计和实施用户界面，仪表板，报告等。
· 编码并维护数据处理，系统接口和存储。
· 设置并运行服务器和网络的系统基础结构。
分析系统通常从交易系统获取数据。 交易系统是数据的主要发起者和来源。 交易系统有很多种，例如企业资源计划（ERP），客户关系管理（CRM），供应链管理（SCM）等。其他数据源，例如社交媒体（Facebook，Twitter等）， 出于讨论的目的，也可以将物联网（IoT）等归入"交易系统"类别。 分析系统和交易系统之间的区别在于不同的目的：一个要分析，另一个要执行交易或任务。
分析系统和交易系统不需要使用AI，它们可以并且经常使用非智能软件。 因此，我们可以根据是否使用AI来将所有系统归为智能系统或哑系统。
· 哑系统。 这些系统用于数据输入和存储，在数据处理中具有基本的"智能"功能，例如编辑检查，过滤，分组，求和等。对于诸如ERP和CRM的复杂系统，智能通常是在软件开发人员的脑海中。 根据对业务需求的评估来配置和定制系统的专家，然后用户可以按照专家设置的确切途径使用哑系统。
· 智能系统。 这些系统在软件中嵌入了"分析人员的思想"，使系统能够实现其目标（例如，将语音转录为文本，或建立最佳的人员花名册），这些用户对于正在使用的算法没有专门知识的用户 用过的。
> Systems in a 2x2 matrix: Transaction/Analytics vs. Dumb/Intelligent Systems
现在，我们可以在表示系统范围的2x2矩阵的背景下定义AI，数据科学和分析。
· 人工智能负责设计，构建和运行智能系统，包括分析和交易系统。
· Analytics处理设计，构建和运行的分析系统，包括智能系统和哑系统
· 数据科学以"机器学习工程师"的角色处理智能系统的调优，但可能（而且经常如此）渴望成为AI或Analytics角色。
参考文献
Russell，S.和Norvig，P.（2010年）。 人工智能：一种现代方法。 学徒大厅。 ISBN 0134610997。
Saxena，R.＆Srinivasan，A.（2013年）。 商业分析。 施普林格。 ISBN 9781461460800。
Saxena，R.＆Gupta，R.（2020年）。 Analytics资产。 Smith P.和Cockburn T.（编辑）在第四次工业革命的全球商业领导力发展中。 IGI Global。 ISBN 9781799848615。
Irizarry，R.A.（2020年）。 学术界在数据科学教育中的作用。 哈佛数据科学评论。 DOI 10.1162 / 99608f92.dd363929。
(本文翻译自Rahul Saxena的文章《Artificial Intelligence (AI), Data Science, and Analytics》，参考：https://medium.com/@
rahul_57018/artificial-intelligence-ai-data-science-and-analytics-14d8395b9ce2)
