人工智慧在台灣.jpg 人工智慧的發展最讓人擔心的就是工作被取代,更有人擔心人類會被機器人所統治。其實,大家也不必太過於擔心,因為人們不會的,也教不會機器。但無論如何,台灣若不積極發展人工智慧,勢必在接下來的競爭中被淘汰出局。

 

 

供客戶軟體專案的報價,對軟體公司而言,經常是件很困難的事情。這怎麼說呢?當客戶提出專案開發的需求時,通常很多細節都不很清楚,只有概括的系統範圍,開發單位要在短時間內估出開發的時間與成本,好提供給業務向客戶報價,壓力不能說不大。因為若是成本估得太高,時間估得太長,這個案子可能就掛了,還會被業務抱怨;但要是時間估得太短、成本估得低些,到時候成本超支,無法準時交付,責任可全都算在開發單位的頭上,這麻煩可大了。

軟體公司承接專案,虧錢的機會實在太大了,如果接的是過去曾經做過,很有經驗的案子,或許還容易估些(其實,即使是相同的需求但在不同公司,做法可能仍是差異很大),但不幸的是,還是很有機會接到沒做過的案子,那這要怎麼估呢?憑感覺估嗎?要不然咧!這樣導致的結果,就是專案開發單位成效不彰,經常虧錢,也無法準時交付。

不消說,老闆對此當然感到長期的不滿,只是不管老闆怎麼要求,專案單位就是無法有效改善。最近在某次會議中,老闆突然想到現在人工智慧大行其道,竟靈機一動,指示專案單位要積極研究:如何用人工智慧來解決專案估價的問題。

老闆交辦完後,得意洋洋的,好像給問題找到了一盞明燈,還趕得上時代潮流,正在那裡沾沾自喜,自以為是,但是大家聽到這個指示後,卻是面面相覷,張口結舌,猛抓腦袋,不知該如何是好。大家心裡都想著:「蛤!什麼時候人工智慧變得這麼神,我們做不出來的事情,人工智慧卻能做,要是這樣,何不乾脆請人工智慧直接告訴老闆,如何賺大錢不就好了。」

不少人對人工智慧存在不少誤解,甚至是恐懼,以為人工智慧無所不能,事實上卻非如此。在這第三波的人工智慧中,最主要的技術就是「機器學習」,單從這個名詞就大致可以知道就是用機器來學習這麼簡單。那機器怎麼學習的呢?我們先看人是怎麼學的,正所謂勤能補拙,經過不斷的練習,累積經驗,從錯誤中學習,最後熟能生巧,就學會了。機器學習也是用同樣的道理,蒐集許多次實作過程中的各種情境變數與結果,經過適當的演算分析,就能找出有效模型,做出預測或決策。

要熟能生巧,就要有足夠的練習,因此大數據就成為重要的關鍵,能夠盡最大可能的蒐集與結果相關因素的數據,盡量蒐集多次執行的數據,機器學習的表現就可能會愈好。當然啦!除了資料量要大以外,資料的品質也同樣是很重要的,你想,如果提供的都是些錯誤的、缺漏的資訊,那學得愈多,恐怕就錯得愈深。

好,我們回到開頭的故事,老闆要用人工智慧來提供準確的專案報價,為什麼大家都愁眉苦臉呢?原因很簡單,就是如果自己都做不出準確的估價,又是哪來的正確數據來提供給機器去學習,更何況公司一年也才接幾十個案子,又是要那裡去生出數量龐大的數據。

呵呵!原來自己不會的,也教不會機器,那就不需太擔心啦!

在《人工智慧在台灣》這本書中對此就有很精闢的見解,也提供詳盡的說明。基本上,機器學習上支持三種題目的界定方式:分別稱為監督式學習(Supervised Learning)、非監督式學習 (Unsupervised Learning)與增強式學習(Reinforcement Learning)。

監督式學習

其中,監督式學習占機器學習實務應用的大宗,目前九成以上的機器學習應用,都屬於監督式學習。而其重點就是在訓練的過程中直接告訴機器答案,也就是在尋找觀測值與決策之間的關聯性。在許多我們煩惱難解的問題中,很多是自己不知道答案的,或是根本就無法確知正確的答案是什麼,例如一張X光片到底顯示的是癌症第幾期,可能不同主治大夫的判斷會不同,這時就只好採取折衷辦法,那麼就採多數決吧!總是比較可行的方法。

非監督式學習

如果蒐集的數據就是只有觀測值而沒有決策值,那能做什麼呢?這就屬於第二種非監督式學習的範圍了。沒有答案就無法做決策,卻可以找出這些數據間的規則,所以非監督式學習常用於異常偵測、文件搜尋或資料視覺化,或作為監督式學習特徵工程的一部分。簡單說,就是於資料分析的前處理,將資料分群,或降低維度(也就是減少變數的數量),將資訊量較低的變數去除或整合,讓之後的資料分析或監督式機器學習做得更好。

增強式學習

那麼增強式學習又能做什麼呢?增強式學習是專門用來讓電腦學習與環境互動,它的特色是必須在嘗試錯誤的過程中,一步一步從失敗中找到成功的路徑,學習到如何選擇正確的動作,最常應用在電腦遊戲、棋類、自駕車和機器人。書中舉的AlphaGo的例子就是最好的說明。

AlphaGo 的演算法,就是先透過監督式學習從人類棋譜歸納棋士的棋步,訓練出棋力還不錯的 AlphaGo 早期版本;然後再進行增強式學習,由兩個 AlphaGo 在 40 天 內對奕 3,000 萬盤棋,每盤棋都有輸贏,同時學習到怎麼下會輸、怎麼下會贏,歸納出人類棋譜沒有的棋路, 終於把棋力提升到打遍天下無敵手。

在 2017 年 12 月, 同 樣 是 由 DeepMind 公 司 開 發 的 AlphaZero 程式更為強大,捨棄 AlphaGo 先以監督式學習人類棋譜的方式,完全單靠增強式學習技術從零開始,透過自我學習的方式下圍棋,在短短三天的輸贏之間,自行摸索出一套圍棋下法,成為有史以來棋力最強的版本,超越所有人類棋士及其他的棋類人工智慧。

深度學習

能做到這些,在機器學習的方法中,深度學習佔著舉足輕重的地位。深度學習跟其他方法有個根本上的差異,在於是否能夠自動進行「特徵工程」,而特徵工程指的就是發想及定義衍生變數的過程。例如一般商品的購買紀錄中有品名、類別、金額等變數,從這些變數中加工處理就能產生衍生變數,如平均客單價、月購買次數或是書籍佔總金額比率等等。

一個機器學習模型成效是否良好,在資料質量固定的前提下,特徵工程往往扮演決定性的關鍵。有時候原本成效不佳的機器學習模型,加上突破框架的衍生變數後,反而能得到意料之外的成果。所以,好的機器學習工程師,基本上一定擅長做特徵工程。而深度學習帶來的最大貢獻就是,自動化的特徵工程。不但自動化,而且可以找出比人類所定義的衍生變數更好、預測力更強的特徵。這就是深度學習的神妙之處。

這本書最大的貢獻,並不只是說明人工智慧相關的定義與做法以及釐清大眾對人工智慧的誤解與迷思,還提供產業、政府、白領工作者對人工智慧的因應之道,更感人的是,在當今世風日下,學者墮落、讀書人道德淪喪沒有風骨的年代,竟看到一道曙光,一位專精於人工智慧的頂尖學者,願意走出舒適圈,踏入產業,貢獻己力,在這新一代技術開展的關鍵時刻,帶領產業界開疆闢土,全力投入台灣人工智慧的發展,更建立了人工智慧的教育體系,培育人才,幫台灣在人工智慧的時代打下基礎。因此,書中的建議,不僅現在的工作者要了解,企業老闆要了解,尤其是國家的領導者,更要深刻地去體會與實踐,才能讓台灣在未來的世界舞台上占一席之地。

書籍資料

  書名: 人工智慧在台灣-產業轉型的契機與挑戰

  作者:陳昇瑋 / 溫怡玲  合著

  出版社:天下雜誌

  出版日期:2019年6月4日

 

註:此篇應天下雜誌邀約,分享新書心得。

 

 

arrow
arrow
    全站熱搜

    凌帠 發表在 痞客邦 留言(0) 人氣()