付費限定方格精選
[觀點] 人工智慧的回顧與展望 2019
閱讀時間約 28 分鐘
給讀者的話：
這是十分鐘簡讀版，付費訂閱之後，便可閱讀本文更詳進的內容。
回顧 2018
在 2018 年，筆者介紹了普華永道（PwC）關於人工智慧的十項預測。這十項預測可以歸納為四個大項，分別為：
- 解釋深度學習和人工智慧 (Deep learning theory & Explainable AI)
- 模型不確定性和遷移學習（Model uncertainly & Transfer learning)
- 深度強化學習（Deep reinforcement learning）
- 膠囊網路和機率程式架構（Capsule networks & Probabilistic programming）
現在我們就來回顧一下，過去一年中，人工智慧的發展是否與當時 PwC 的預測相符合。
過去的一年中，機械學習演算法逐漸成為人們日常生活的一部分，許多議題被予以討論，甚至立法約束。
議題包括了在物件偵測和語言模型上，出現不可避免的偏見，如對特定種族或性別的偏好。這些偏見反映真實社會的現象，卻讓人工智慧是否能對社會整體產生正面效益產生懷疑。
至於物聯網的部分，2018 年我們歡迎智慧助理進駐家庭中成為家中的一份子。
雖然這個智慧助理還尚未能判別冰箱中哪些日常所需已用罄，並直接下單訂購，透過排程和最短路徑計算後，讓機械人遞送至住所。但，至少他們可以為你報新聞，甚至幫你預約理髮和牙醫約診「註一」。
多領域訓練（Multi-modal training）和遷移學習（Transfer learning） 在過去一年，被廣泛應用，進而使以深度學習為主要推力的人工智慧，有了卓越的進步。
而這兩個技術的發展，則讓兩個長久在人工智慧領域各自獨立發展，自然語言與電腦視覺，開始結合，並導致更近似於人類理解能力，足以辨識語義的結合應用。
接下來，我們將要針對電腦視覺和自然語言這兩個領域的進展，做比較詳細的回顧。
電腦視覺
在過去電腦視覺的發展中，物體識別與偵測在研究領域中獲得相當卓越的進展，包括了高準確率和精準度，甚至在不大幅降低準確度的情況下，進行即時的物體偵測。
然而，電腦視覺在研究領域的進展似乎對實際的應用並無如虎添翼般的助益。相對地，我們在去年三月聽到第一起由 Uber 研發的自駕車的意外，在這起意外中，很不幸地造成了一名中年婦人的死亡。
而 Waymo 則在六月，因為人類駕駛未能警覺取得控制，而”貢獻”了另外一起自駕車意外，說明了目前的自駕軟體尚未能完全取代人類，成為完全值得信賴的駕車夥伴。
為了能更近一步探索類神經網路進行特徵工程的能力，便是借助於合成影像。
合成影像（Synthetic Data）
使用合成影像中，可以解決：
訓練資料的取樣誤差問題。誠如 PwC 2018 趨勢預測一文所述，類神經網路是對於訓練資料有強依賴性的演算法。透過合成影像，在物體偵測的任務中，可以建構擾動的環境燈光和低品質的訓練影像，進而縮小在真實世界中，因為環境和攝影器材的硬體限制，造成無法被模型解釋的隨機誤差。
除了上述問題外，合成影像亦可以達到像素層級的標注精準。像素層級的標注精準有助於目前發展的全景分割技術。
其次，則是配合 Merged Reality （MR） 應用發展出的 3D 合成影像。MR 是結合 Virtual Reality （VR）和擴增實境（Augmented Reality, AR） 兩種技術，而提出的新型應用，主要是希望藉由 AR 擴增使用者所處的真實環境，並讓使用者透過 VR 來經驗視覺探索。
除了仰賴合成資料，另外在 PwC 2018 趨勢預測一文中也指出，可以利用對抗生成網路（GAN）來產生和真實影像相近但帶有雜訊的影像。
對抗生成網路（GAN）
在過去一年中，GAN 不僅在架構上獲得改進，並結合其他技術來達成廣泛的應用。
最後，則是如 PwC 2018 趨勢預測一文指出，可以利用遷移學習來完成解決標注不足的問題。然而遷移學習的最大限制即是在於來源和目標領域（domain）的資料分布不可相差太遠，不然會產生 Domain Shift 的問題。
跨領域對映（Domain Adaptation）
關於 Domain Shift 問題，解決方案則是試著找到來源和目標領域的映射關係，稱為 Domain Adaptation 的研究。
接下來，我們要把注意力轉至自然語言領域中，雖然是全然不同的資料型態，但我們可以發現和電腦視覺相似的趨勢也可在自然語言領域中發覺。
自然語言
自然語言在過去的一年則獲得跳躍式的進展。如 OpenAI 的創辦人 Rachel Thomas 所指出，
2018 年對於自然語言，是進入電腦視覺中 ImageNet 的時代。
然而，如同電腦視覺目前面臨的挑戰，為了解決機械翻譯中部分語言所蒐集到的訓練資料不足的問題（該種語言多被稱為低資源語言），遷移學習廣泛地應用於自然語言中。相同的， Domain Adaptation 也企圖在序列型資料中找到一席之地。而目前的方法有利用半監督學習或非監督的方式來解決標注不足的問題。
無全監督學習（Not Supervised Learning）
在半監督學習（semi-supervised）的方法中，主要是利用已標注的訓練資料來學習未標注的訓練資料。另外一個趨勢則是利用應用於多任務（multi-tasking）學習中的 meta-learning 來解決。
表徵學習（Representation Learning）
在過去一年，令人側目的則是 contextualized-based word embedding 的發展，包括了 ELMo, ULMFiT 和 google 的 BERT。
歸納偏見（Inductive bias）
Inductive bias 是藉由先驗知識或普通常識來對模型做額外的假設，增加對未曾見過的測試例子的準確度，並能使用更少的實例來做訓練。常見的引入 inductive bias 是藉由多任務訓練，來迫使演算法偏好找尋能同時解釋多個任務的模型參數。
最後，為了改善 Attention 機制，也可引入 Inductive bias。
展望 2019
2019，PwC 認為是 AIaaS (Artificial Intelligence as a Service) 技術成熟並進入商業運轉的一年。PwC 在今年的趨勢預測文章中，為已挹注資金研發 AIaaS 的公司，提出了六條優先自我檢查的項目。
這六個項目，分別簡述如下：
組織重構以確保明確的人工智慧商業策略（Structure: Organize for ROI and momentum）：在此項中，PwC 建議擁有單一的資訊平台以整合不同 AI 團隊的努力，並專注於打造可跨不同組織，並可重複利用的 AI 解決方案。
建立一個同時能讓人工智慧專家和非專家共同合作的團隊（Workforce: Teach AI citizens and specialists to work together）：此項中，則延續去年的人工智慧平民化（democratizing AI），鑑於許多自動化人工智慧模型訓練的演算法興起，如 AutoML。
一個混合型的團隊，包括關注人工智慧產品介面使用者（citizen users），具有商業背景能解析 AI 結果的開發者（citizen developers）和真正的人工智慧專家，如資料科學家（specialists）等。藉由適當分工，緊密合作，驅動 AIaaS 順利運轉。
專注於人工智慧模型透明化（Trust: Make AI responsible in all its dimensions）：在此項中，延續了 2018 關於 Explainable AI 的預測，但增加了人工智慧應用的道德限制，包括了：如何移除資料中的偏差，如何確保人工智慧模型的安全性等等。
如何正確且合法的取得個人資料做模型訓練（Data: Locate and label to teach the machines）：如何取得與欲解決的商業問題相關的訓練資料，或運用遷移學習（transfer learning）等現有已訓練模型，迴避手動標注大量資料的問題。
而在 2018 年分別在歐美二地通過的 GDPR 和 CCPA，將會對資料的取得方法做更嚴格的規範。
專注於個人化與高品質的人工智慧產品（Reinvention: Monetize AI through personalization and higher quality）：此項中包括使用人工智慧模型作為決策系統，以及藉由發展個人客製化的商業模式找到市場。
合併人工智慧於不同的技術中（Convergence: Combine AI with analytics, the IoT, and more）：許多傳統產業將需要人工智慧來為第四次工業革命做轉型準備。包括了 IoT（物聯網），以及透過物聯網產生的新型資料的分析。最後藉由 DevOps 對 AIaaS 提供不間斷最佳的服務品質。
有了 PwC 六項建議，接下來我們針對快速發展的 Automate Data Science & AutoML 領域，來勾勒 2019 年的簡要藍圖。
Automate Data Science & AutoML
“Python Machine Learning” 一書作者，Sebastian Raschka 曾說
電腦程式是關於如何自動化，而機械學習則是關於如何自動自動化。（“computer programming is about automation, and machine learning is "all about automating automation.”）
然而，因為調整模型的過程繁複瑣碎，而使自動化機械學習，亦簡稱為 AutoML，成為一門學習自動化的學問 （"the automation of automating automation."），而該學問的最終成果便是發展一個能夠自行最佳化學習過程的演算法。
最後，以一張圖來總結目前 AutoML 領域中所面臨的困難。這些困難包括了將 AutoML 應用到 online-training 的模型和資料型態的多變異性。
註釋：
[1] 見 Google CEO Sundar Pichai 在 Google I/O 2018 keynote 演講
延伸閱讀：
- KDNuggets “The Data Science Process, Rediscovered” （英）： 2016 年的文章主要定義不同的資料科學流程。
- KDNuggets ”Building AI to Build AI: The Project That Won the NeurIPS AutoML Challenge“ （英）： 由 2018 年 NeurIPs AutoML 競賽中獲獎的隊伍，Flytxt ，提到目前 AutoML 所面臨的挑戰和困難。
以行動支持創作者！付費即可解鎖
本篇內容共 11414 字、0
則留言，僅發佈於翻滾吧！駭客女孩！你目前無法檢視以下內容，可能因為尚未登入，或沒有該房間的查看權限。
留言0
查看全部
你可能也想看
Google News 追蹤
徵的就是你 🫵 超ㄅㄧㄤˋ 獎品搭配超瞎趴的四大主題，等你踹共啦！還有機會獲得經典的「偉士牌樂高」喔！馬上來參加本次的活動吧！
隨著理財資訊的普及，越來越多台灣人不再將資產侷限於台股，而是將視野拓展到國際市場。特別是美國市場，其豐富的理財選擇，讓不少人開始思考將資金配置於海外市場的可能性。
然而，要參與美國市場並不只是盲目跟隨標的這麼簡單，而是需要策略和方式，尤其對新手而言，除了選股以外還會遇到語言、開戶流程、Ap
Microsoft Azure AI 900 證照，把準備資料整理分享給大家。
AI 是可模仿人類行為與能力的軟體，主要的工作包含：
機器學習：這通常是 AI 系統的基礎，且是「指導」電腦模型進行預測並從資料中得出結論的方式
電腦視覺：透過相機、影片和影像，以視覺方式解譯世界的 AI 功能
本文介紹了人工智慧（AI）及機器學習（ML）的基本概念和關係，探討了數據在機器學習中的重要性，以及深度學習和生成式人工智慧的應用。
AI的世界充滿了創新和潛力，涵蓋了許多領域，包括但不限於機器學習，自然語言處理、電腦視覺和機器人技術。AI對人類社會的影響是複雜而多層面的，既帶來了巨大的機遇，也提出了新的挑戰。社會需要在技術發展和倫理規範之間找到平衡，確保AI技術的應用能夠真正造福人類。
人工智慧系統正在慢慢影響我們的生活，並在不同的產業和產品中得到應用。目前使用的系統大多是基於狹義人工智慧。狹義人工智慧與通用人工智慧有很大不同。
狹義人工智慧的創建是為了專注於特定任務，一個例子就是聊天機器人。
在人工智能的發展歷程中，早期的研究主要側重於將解決問題的規則輸入計算機，試圖通過啟蒙運動理性的思路模擬人類的智能行為。然而，這條路逐漸變得艱難，因為規則過於繁多，無法應對複雜的情境和語境。在這個背景下，一些科學家轉向了神經網絡算法，試圖模擬人腦的感知能力。
這陣子在研究自動駕駛技術，還記得2021年我當時分享了特斯拉的自動駕駛技術，那時候特斯拉還有雷達、沒有occupancy networks、自動標記算法和虛擬場景構建算法都沒有現在完善，那個時候特斯拉使用BEV鳥瞰圖來進行感知融合計算深度，再配上蒙地卡羅決策樹的方法來進行道路決策，後面一步步提升感知
大語言模型能夠生成文本，因此被認為是生成式人工智慧的一種形式。
人工智慧的學科任務，是製作機器，使其能執行需要人類智慧才能執行的任務，例如理解語言，便是模式，做出決策。
除了大語言模型，人工智慧也包含了深度學習以及機器學習。
機器學習的學科任務，是透過演算法來實踐AI。
特別
人工智慧（AI）的未來展望
在當今這個科技日新月異的時代，人工智慧（AI）已成為推動創新和進步的重要力量。從自動駕駛汽車到精準醫療，AI的應用範圍不斷擴大，其潛力無限。然而，隨著AI技術的快速發展，我們也必須關注其對社會、經濟和倫理的影響。
本文介紹了人工智慧的定義和發展，以及在醫療、金融、製造、交通、教育等領域的應用。探討了AI的優勢和挑戰，以及AI在未來社會中的角色。作者提出了對AI發展的個人觀點和建議，強調了謹慎發展AI並制定相關法律法規的重要性。
在《為什麼這樣工作會快、準、好》一書中，作者Charles Duhigg深入探討了現代生活中的自動化對我們認知過程的影響，尤其是如何導致所謂的「認知隧道（cognitive tunneling）」現象。當我們過分依賴自動化技術，如新車裡的電腦輔助駕駛系統，我們的大腦可能會陷入一種狀態，在需要緊急集中
徵的就是你 🫵 超ㄅㄧㄤˋ 獎品搭配超瞎趴的四大主題，等你踹共啦！還有機會獲得經典的「偉士牌樂高」喔！馬上來參加本次的活動吧！
隨著理財資訊的普及，越來越多台灣人不再將資產侷限於台股，而是將視野拓展到國際市場。特別是美國市場，其豐富的理財選擇，讓不少人開始思考將資金配置於海外市場的可能性。
然而，要參與美國市場並不只是盲目跟隨標的這麼簡單，而是需要策略和方式，尤其對新手而言，除了選股以外還會遇到語言、開戶流程、Ap
Microsoft Azure AI 900 證照，把準備資料整理分享給大家。
AI 是可模仿人類行為與能力的軟體，主要的工作包含：
機器學習：這通常是 AI 系統的基礎，且是「指導」電腦模型進行預測並從資料中得出結論的方式
電腦視覺：透過相機、影片和影像，以視覺方式解譯世界的 AI 功能
本文介紹了人工智慧（AI）及機器學習（ML）的基本概念和關係，探討了數據在機器學習中的重要性，以及深度學習和生成式人工智慧的應用。
AI的世界充滿了創新和潛力，涵蓋了許多領域，包括但不限於機器學習，自然語言處理、電腦視覺和機器人技術。AI對人類社會的影響是複雜而多層面的，既帶來了巨大的機遇，也提出了新的挑戰。社會需要在技術發展和倫理規範之間找到平衡，確保AI技術的應用能夠真正造福人類。
人工智慧系統正在慢慢影響我們的生活，並在不同的產業和產品中得到應用。目前使用的系統大多是基於狹義人工智慧。狹義人工智慧與通用人工智慧有很大不同。
狹義人工智慧的創建是為了專注於特定任務，一個例子就是聊天機器人。
在人工智能的發展歷程中，早期的研究主要側重於將解決問題的規則輸入計算機，試圖通過啟蒙運動理性的思路模擬人類的智能行為。然而，這條路逐漸變得艱難，因為規則過於繁多，無法應對複雜的情境和語境。在這個背景下，一些科學家轉向了神經網絡算法，試圖模擬人腦的感知能力。
這陣子在研究自動駕駛技術，還記得2021年我當時分享了特斯拉的自動駕駛技術，那時候特斯拉還有雷達、沒有occupancy networks、自動標記算法和虛擬場景構建算法都沒有現在完善，那個時候特斯拉使用BEV鳥瞰圖來進行感知融合計算深度，再配上蒙地卡羅決策樹的方法來進行道路決策，後面一步步提升感知
大語言模型能夠生成文本，因此被認為是生成式人工智慧的一種形式。
人工智慧的學科任務，是製作機器，使其能執行需要人類智慧才能執行的任務，例如理解語言，便是模式，做出決策。
除了大語言模型，人工智慧也包含了深度學習以及機器學習。
機器學習的學科任務，是透過演算法來實踐AI。
特別
人工智慧（AI）的未來展望
在當今這個科技日新月異的時代，人工智慧（AI）已成為推動創新和進步的重要力量。從自動駕駛汽車到精準醫療，AI的應用範圍不斷擴大，其潛力無限。然而，隨著AI技術的快速發展，我們也必須關注其對社會、經濟和倫理的影響。
本文介紹了人工智慧的定義和發展，以及在醫療、金融、製造、交通、教育等領域的應用。探討了AI的優勢和挑戰，以及AI在未來社會中的角色。作者提出了對AI發展的個人觀點和建議，強調了謹慎發展AI並制定相關法律法規的重要性。
在《為什麼這樣工作會快、準、好》一書中，作者Charles Duhigg深入探討了現代生活中的自動化對我們認知過程的影響，尤其是如何導致所謂的「認知隧道（cognitive tunneling）」現象。當我們過分依賴自動化技術，如新車裡的電腦輔助駕駛系統，我們的大腦可能會陷入一種狀態，在需要緊急集中