艾倫.李─職涯規劃策略顧問的部落格

演講的重點：

一、機器學習：什麼是機器學習？它是「讓電腦從經驗裡面萃取規則」的演算法。現代人所知悉的人工智慧（AI）定義相當廣泛，但細部來看，最核心的技術為深度學習（Deep Learning），讓機器在後續作經驗學習後做出對應。至於為何AI在近2年成為最夯話題，主因是電腦的運算速度較過去提升數百倍、數千倍之多，讓機器可大量運算並學習，AI才成真。

陳博士提到，2016年Alpha Go打敗世界圍棋冠軍李世石，引起各界震驚，更為其AI技術打開知名度。而後續該團隊更打造了Alpha Zero，超越之前所有圍棋、象棋、將棋的AI（包括Alpha Go）與人類，關鍵在於Alpha Zero是純計算的程式，純粹讓機器相互學習，取代人類數百年的切磋與計算。但為何沒人在做其他的棋類AI？因為光是Alpha Go就需要20億元的研發成本，Alpha Zero又更多，「這不是一家遊戲公司可負擔的，必須是世界級大企業才能做到。」(另參考原文網址: 大數據資料只是AI原料　陳昇瑋：人工智慧核心技術在深度學習 | ETtoday財經 | ETtoday新聞雲)

二、AI包含了最核心的技術深度學習（Deep Learning），也就是多層感知機技術（MLPs）；而第二層技術為表徵學習（Representation Learning），指的是讓機器做淺薄的自動記錄；第三層則為機器學習，就是讓機器自行做邏輯迴歸分析；而涵蓋所有相關技術的叫做AI，讓機器在經驗學習中自動找到最好的對應函式，或者說最像人類的對應方式。

三、人工智慧的演進：人類史上第一波的人工智慧浪潮是在1950年到1970年，試著用邏輯推理，但是後來發現沒有辦法把所有的推理原則寫進電腦。第二波是知識表達，後來發現沒有辦法把我們對宇宙的所有知識寫進電腦裡面，因為我們還有很多特例、很多情境的考量。

第三波的人工智慧浪潮：講的是機器學習，這一波人工智慧跟前兩波差別最大在於我們放棄教電腦規則，讓他自己學。即使人類懂很多事情，但是不要跟電腦講你怎麼做的，我們就是寫一個機器學習的演算法。如果你要讓電腦學會人在講什麼話，你只要給它很多資料，讓它使用這個演算法去找到規則，之後再用這個規則自己來判斷。

四、現代的機器學習演算法非常的複雜，例如做人臉辨識，以前如果是人類想像要教電腦去看兩眼之間距離、人中的高度、嘴唇的寬度等，但是現代的機器學習演算法非常複雜，這麼複雜的規則，缺點就是人類沒有辦法解釋，但是問題是它非常的準，比以前用第一波、第二波人工智慧、人類想盡辦法寫出來的規則更準。

機器學習主要的類型：監督式學習、非監督式學習、半監督學習與增強式學習。

五、機器學習演算法的技術可以應用在做很多方面，可以做到人與物與行為之間的辨識，然後可以做到人臉辨識、眼底視網膜病變的偵測、用病理切片來找到癌細胞的位置，比病理學家做的結果準得多。沒有一個行業你找不到充滿潛力的人工智慧應用，所以我們是處在一個非常關鍵、非常讓人興奮的時代。

六、台灣現階段發展AI遇到的問題：(1)缺乏人才，缺有經驗的人才。(2)有了人才之後你的資料準備好了嗎？機器學習就是需要資料，資料沒有準備好，有人才是沒有用的。(3)有時候根本找不到問題，工程師沒有理解整個集團的全貌，不知道真正關鍵的問題在哪，他只能解決他面前機器的問題。(4)最後一個大問題就是產學落差，懂得機器學習、有十年經驗以上的人，統統都在學術界，但是產業界與學術界中間，只有一條微弱的產學合作，其實不夠，沒有辦法幫他們的能力貢獻出來。

七、台灣適合應用AI的領域：
(1)瑕疵檢測：製造業每一家公司都有一堆人，從幾十人到幾百人，用眼睛在看他的半成品跟成品中間有沒有瑕疵，不管是金屬表面的瑕疵，或是做玻璃、印刷電路板、IC組裝、或是牛仔布染色的瑕疵，因此非常適合用人工智慧來解決問題。

(2)自動流程控制：只要有機器就會有參數，只要有參數就需要人來調，但是我們用人來調其實會調不好。例如某一個化工業的製程，落到某個範圍之間的叫良品、這段範圍叫良率。如果這個時候我們可以用機器學習來調整參數，良率就可以到98%。

(3)預測性維護：在生產線運作時，我們不希望機器在製造到一半的時候壞掉，所以我們要提前知道機器會不會壞掉，另外還有耗材的問題，我們不希望耗材太早換掉，因為太早換掉是浪費，太晚換掉良率就降低。要如何預測什麼時候耗材會剛剛好壽命結束，才不會產線停擺。

(4)原料組合最佳化：只要是製造業都會遇到原料的問題，一個產品一定是多個原料組成的，像染整業都會遇到一個問題，客戶要這個顏色，但我有一百支染料，要挑出其中哪三支；那每支多少濃度，調出來才能剛剛好就是這個顏色。從前的方法就是用軟體模擬加上老師傅的經驗，但現在用機器學習，成功率可以在一、兩個月內把它提升到95%。

八、AI不是萬能：AI只能用在有模擬器的地方，也只能適用在封閉的系統中，對於在開放的系統，尤其有沒有明確的答案時，AI完全派不上用場，例如：怎麼教育小孩、是否應該投入新市場、創業是否會成功等等，這類的問題，沒辦法用AI處理，至少目前這部分沒辦法用機器去做深度學習。

心得：聽完這場演講後，讓我獲益良多，同時也讓我回憶起李開復先生2017年在台大畢業演說全文「AI 的時代」中的一段話：「在 AI 大量取代重複性、簡單性工作的時候，被取代的人怎麼辦呢？我認為工作結構金字塔的基層，80-90％的就業機會將是：人與人之間的服務業，這群人在我們的生活中扮演不可或缺的黏著劑：服務、參與、聯繫、情感。這些都是 AI 不能做的。當未來人有了更多的時間，人們會希望能有更貼心又有人情味的服務，和真正用心做出來的產品與服務。」