资料的最终目的就是替代人力。

(https://qz.com/217199/softbanks-humanoid-robot-will-be-great-for-tending-to-japans-elderly/)

不要以为透过资料达到自动化是这几年 AI、深度学习火红之後才发生的的事情，其实早在更早之前，人类就懂得搜集资料来将工作自动化了。

最早的自动化来自工业时代。

(工业时代蒸汽机)

蒸汽机发明後，机器开始可以取代人力。这些机器当然不会天生自己就会动，一定是透过反覆的观察、实验、纪录、调整，来将机器改成能够取代人力的样子。

而这个「观察、实验、纪录、调整」的过程，都需要资料才有办法做到，也是现在不管是资料分析还是机器学习的核心精神。

(https://stackoverflow.com/questions/46376010/doubts-regarding-this-pseudocode-for-the-perceptron-algorithm)

上图是基本机器学习的演算法的虚拟码，最关键的地方就是第 5、6、7 行，表示一次迭代（将更新的变数取代前一次的变数）的完成。而一般的演算法少说都会迭代个几百次，如果资料量更大、参数更多，就需要迭代更多次才能将结果收敛（收敛表示更新後的变数已经没有太大的变动）。因此虽然精神一样，但是迭代的速度和频率就差很多了，也让大家对於软件的自动化有更多想像。以下我们将介绍几个比较成熟、也比较热门运用资料来做自动决策的范例。

推荐系统

从广告推荐（Google）、商品推荐（Amazon）到影片推荐（Netflix），可以看到推荐做得好就能做成业界第一大佬（无误）。推荐模型是很早就发展起来、也非常好应用的自动决策系统。

推荐系统相关的文章相当推荐同样是铁人的mikechenx，的系列文章-一服见效的 AI 应用，我就不在这边献丑了。

围棋

说到 AI 怎麽能不说到围棋。AlphaGO当年一战成名，让人看到 AI 的潜力。在赢过人类棋王之後，後记的 AlphaGO 甚至靠着对打就能超越原本的训练模型，达到了强化式学习追求的顶峰-不靠任何外在资料，仅靠着惩罚和学习就能学会技能。

(棋灵王)

因为游戏环境内的规则单纯、加减分机制也容易计算，在学会围棋之後，大家也开始尝试让 AI 学习其他游戏，像是：

• 星海争霸
  多图详解 DeepMind 的超人类水准《星海争霸》AI「AlphaStar」

• LOL
  

• Mario
  

图像辨识

图像辨识算是深度学习中发展最快的一块。当初有个公开比赛叫做ImageNet，2012 年 AlexNet 的错误率已经降低到 15% 左右，到了 2015 年微软的 ILSVRC 已经将错误率降低到 5% 左右，表示视觉辨识的技术已经成熟到超过人类的正确率。

当图片辨识率提高到这种程度，接下来的发展也就可以预期：

• 辨识得更快
• 辨识画面中的更多物件
• 更多种资讯（像是情绪、年龄等）

应用也已经非常普遍，像是 Iphone 的人脸辨识解锁、特斯拉的电动车、电动卡车等等，已经进入我们的日常生活中。

Data Centric AI

早期因为算力有限的关系，所以模型复杂度和资料量受到严格的限制。但随着 GPU 算力越来越强，模型堆叠的越来越复杂後，模型的瓶颈从模型又回到 Data 上。

主要原因还是在於目前这些自动决策的 AI 都相当依赖人工的标签（Label），也就是监督式的学习，需要大量的标签资料来训练模型（例如若水科技【AI 时代】AI 并非取代人力 若水身障数据标注师找到新活水）。但越难的领域，能够拿到的标签资料也就越少（例如医学影像资料），这就让难题重新回到资料上。

另外在由於 AI 模型严重受到资料的影响，因此也让一些偏见、或歧视资料一并进入了 AI 中。(三招助你消除人工智慧的傲慢与偏见！)

AI 训练师，成为新一代职业的同时，也产生相对应的问题。

这些都是未来在推行自动化决策的路上需要留意的议题。

References

https://www.newton.com.tw/wiki/%E5%9C%96%E5%83%8F%E8%AD%98%E5%88%A5%E6%8A%80%E8%A1%93
https://ithelp.ithome.com.tw/users/20001976/ironman/2646?page=1