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。
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。
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。
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:
LOL
Mario
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:
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。
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。
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
<<: Day8 手牵手一步两步三步四步望着天 看星星一颗两颗三颗四颗连成线
网页需要制作时间表、收费表等,都可以使用表格制作。 只要了解表格相关的标签,就能够轻松做出表格了,这...
Isogram 等级:7kyu 原始题目isogram的解释 An isogram is a wor...
愿大家平安的台风日! ------------------------ 【一步API串烧金融大丰收】...
事实上,自学并不是一件简单的事。 在之前的 NXT 企划,要不是有老师建议我要怎麽做出那个架构,我根...
< br>元素 此元素是用来换行的,以下例子带给大家 < span>元素 将...