Change is the only constant. (改變是唯一的不變。)
從AlphaGo 2016年以四勝一敗擊敗韓國棋王李世乭(이세돌)後,第三波的AI發展更熱烈的被討論與廣為人知,然而到底什麼是人工智慧呢?
人工智慧指的是讓機器擁有類似人類智慧的技術,而今天的人工智慧指的是第三波的人工智慧。本波的AI不是只以知識規則的統整,更是在海量資料/大數據的推播助瀾下,可以不需要專家,直接用機器學習,即非採用專家給的邏輯,而由機器自行歸納的多重規則來下判斷,以提高辨識率 (聰明程度),再輔以更強的運算能力與不同的方法,如CNN圖像識別或RNN語意辨識,大幅提高效能,找出比人類說得出口的規則更加精準的規則。但當然不同的方法也有其限制,如強化學習 (Reinforcement learning)只能用在封閉的系統, Ex. AlphaGo
可以從機器學習論文的成長曲線看出本波AI會成為未來發展關鍵。
以技術角度來看,人工智慧包含傳統人工智慧與機器學習。傳統人工智慧指的就是基於人類經驗制定原則的方法,機器學習則包含所有讓電腦自行由大量資料中學習出規則的方法。
從AlphaGo 2016年以四勝一敗擊敗韓國棋王李世乭(이세돌)後,第三波的AI發展更熱烈的被討論與廣為人知,然而到底什麼是人工智慧呢?
人工智慧指的是讓機器擁有類似人類智慧的技術,而今天的人工智慧指的是第三波的人工智慧。本波的AI不是只以知識規則的統整,更是在海量資料/大數據的推播助瀾下,可以不需要專家,直接用機器學習,即非採用專家給的邏輯,而由機器自行歸納的多重規則來下判斷,以提高辨識率 (聰明程度),再輔以更強的運算能力與不同的方法,如CNN圖像識別或RNN語意辨識,大幅提高效能,找出比人類說得出口的規則更加精準的規則。但當然不同的方法也有其限制,如強化學習 (Reinforcement learning)只能用在封閉的系統, Ex. AlphaGo
可以從機器學習論文的成長曲線看出本波AI會成為未來發展關鍵。
以技術角度來看,人工智慧包含傳統人工智慧與機器學習。傳統人工智慧指的就是基於人類經驗制定原則的方法,機器學習則包含所有讓電腦自行由大量資料中學習出規則的方法。
以人類來說,很多事情是直覺或是常識,但對電腦來說需要歸納成規則才能work。
我們懂的事情,比我們能表達出來的更多。--Polanyi's Paradox, 1964.
機器學習技術又包含傳統機器學習與深度學習。
兩者的差別是,深度學習技術所計算出來的規則是有層次的 (layers),規則非人類指定的,
因此人類不一定知道為什麼,但好處是準。機器學習學到的規則,跟你想得不太一樣。
ex. 分辨數字的"9"是看上面的頭
而傳統機器學習的產出皆是單一層次的規則,例如線性迴歸或決策樹就屬於傳統機器學習。
相較於傳統機器學習,深度學習需要的資料量較大,運算量的需求也更為龐大,
但好處是它可以處理高維度的問題,也就是具有上百、上千、甚至上萬個變數的問題。
兩者的差別是,深度學習技術所計算出來的規則是有層次的 (layers),規則非人類指定的,
因此人類不一定知道為什麼,但好處是準。機器學習學到的規則,跟你想得不太一樣。
ex. 分辨數字的"9"是看上面的頭
而傳統機器學習的產出皆是單一層次的規則,例如線性迴歸或決策樹就屬於傳統機器學習。
相較於傳統機器學習,深度學習需要的資料量較大,運算量的需求也更為龐大,
但好處是它可以處理高維度的問題,也就是具有上百、上千、甚至上萬個變數的問題。
例如涉及文字、影像、聲音、影片等生活中常見的問題通常皆是高維度的問題,
若有足夠的資料量,深度學習通常可以提供比傳統機器學習更好的解答,
舉凡我們最近所見的臉部辨識、語音辨識、無人車等等,因此深度學習是目前人工智慧的主流技術。
若有足夠的資料量,深度學習通常可以提供比傳統機器學習更好的解答,
舉凡我們最近所見的臉部辨識、語音辨識、無人車等等,因此深度學習是目前人工智慧的主流技術。
綠色代表第一波跟第二波,需要有專家協助。
資料量少就需要人的知識進來,使用classical ML;deep learning缺點:資料量需大且運算量很大。
1. 大量且有關聯性的輸入X和輸出Y資料 95%的應用
(監督式學習) Ex. 醫療診斷、瑕疵檢測、信用卡盜刷判斷
(監督式學習) Ex. 醫療診斷、瑕疵檢測、信用卡盜刷判斷
2. 由演算法控制的任務能提供明確的反饋 (好/不好或得分),且能進行大量試驗/模擬
(強化式學習) Ex. 棋類、遊戲、自駕車
3. 高維度的龐雜資料,自動做分群或官連處理或分析
(非監督式學習) Ex. 文件或影像的分類與檢索;找尋相似的照片或影片
機器學習是擅長解決甚麼問題?
情境有無關係/樣本多寡
Structured Learning
應用案例:
Generative Models (GAN) 生成式學習,讓電腦模仿
應用案例:動漫女友生成器 https://make.girls.moe/#/
Reinforcement Learning: Learn from interaction w/ environment to achieve a goal.
人工智慧導入進程
成功案例 (先以成功案例來創造價值及營造信心)
>資料生態 (打破部門間的隔閡,讓資料可以分享及集中處理)
>技術工具 (選擇正確的人工智慧技術工具、建立團隊或尋找技術夥伴)
>流程整合 (讓人工智慧技術成為工作流程的一部分)
>開放文化 (人與人工智慧協同增加生產力)
Limitations of AI
What are we missing? To get to “REAL” AI.
--Supervised learning needs too many samples.
Reinforcement learning needs too many trails.
Machines don’t have common sense.
-----------------------------------
⇒歡迎按讚寶太太的人工智慧
延伸閱讀
實踐全AI前,先藉助人機混合( hybrid AI)
AI學校執行長陳昇瑋:不把握這波AI,台灣下波機會不知在哪
-----------------------------------
⇒歡迎按讚寶太太的人工智慧
延伸閱讀
實踐全AI前,先藉助人機混合( hybrid AI)
AI學校執行長陳昇瑋:不把握這波AI,台灣下波機會不知在哪
I’d should check with you here. Which isn't something I usually do! I get pleasure from reading a submit that can make folks think. Also, thanks for permitting me to comment! casino online
回覆刪除