AI-first ?

主旨：了解 Google 所謂的 AI-first 策略是什麼意義

AI與ML的差異

• AI是一個學門：AI是在研究如何建構一個機器，讓其行為近似於人類的學門。

• ML是一個工具集：你可以使用ML來解決某部分AI的問題，但不是全部的問題。

AI跟ML涵蓋的範圍集合可以簡單用下圖來表示：

ML的兩個階段

• 第一階段(Training)：使用資料來訓練模型
  這邊我們指的是所謂的監督式學習(supervised learning)的方式，簡單來說是資料會有輸入(x)和對應的答案(y)，模型本身是一個複雜的函數形式(function form)，而學習的東西則是函數的參數(weights/parameters)，這樣的學習方式就稱為監督式學習。

• 第二階段(Prediction)：使用訓練好的模型來做預測
  當模型訓練好後，便會得到一組訓練後的參數，此時給進一個新的輸入(x')，模型就可以預測或推論(prediction/inference)出一個答案(y')。這個階段在學術上是比較容易被輕忽的，若是要建構一個ML產品服務大量的使用者，那麼快速又準確的預測是必須重視的環節之一。

在建構一個ML產品的時候，必須要同時考慮這兩個階段的資料流(Data flow)，意即訓練時使用處理資料的方式要和預測時的相同，這才不會造成在訓練階段，模型的效果不錯，但到了預測時，精準度變差的情況發生。

Google產品裡的ML

在Google的產品裡面，使用最多的ML模型就是神經網路模型，這類型的模型在近年來快速的發展，並在許多問題上如影像辨識、序列問題、推薦系統，都有著非常強大的解決問題能力。

這些模型被用在包含如YouTube 、Play、Chrome、Gmail、Hangouts...等產品上，而且一個產品內會使用多種ML模型來解決問題，舉幾個實際應用場景的例子來說：

• Google Photos: 當你上傳照片到Google Photos雲端時，它就會使用ML模型幫你的照片加上標籤，例如說這張照片裡的場景是在地球的哪個地方。
• Google Translate: 當你看見一個外語標誌，想了解上面文字是什麼意思的時候，ML模型便會先把圖像上的外語文字翻譯成你看得懂的語言。
• Gmail: 當你收到一封e-mail的時候，ML模型會對信件內的文字作分析，並且推薦三個可能的答覆給你作為參考。

以上這些應用例子都是每天發生在你我日常生活之中的。

什麼時候適合使用ML？

ML既然可以用在這麼多地方，自然地會想問說：什麼時候適合使用ML呢？答案就是任何使用經驗法則的地方都可以。例如說在程式當中加入很多的經驗條件，往往一發現有例外的狀況就要再額外加入新的一條規則，此時若使用ML模型便可以達到自動化、規模化和個人化的解決方案。

當手上資料量很小的時候，經驗法則或許堪用，然而當資料收集到越來越多的時候，人類訂定的規則將會變得很難維護且繁雜，一切的關鍵都和資料有關！能將大量的資料轉變為知識，這就是ML強大的地方。

一個常用的比喻就是：ML若是火箭的引擎，那麼資料便是燃料。當收集的資料越多(不僅僅在數量上，而是資料種類也隨之增加)，那麼建構出的ML模型將更為精準且實用。

使用ML的策略

當在建構ML產品的時候，與其慢慢地做期望達到成功，更有效率的方式是快速的失敗，藉由在短時間內完成建構模型，提供結果預測，測試市場反應的週期循環，將能快速的累積經驗並達到真正的成功。

而公司的業務大致在三個方面上，可以藉由使用ML來獲益：

1. 結合ML與你的應用程式，簡化使用者繁複的體驗過程
2. 微調你的業務，精簡你的業務流程
3. 預期使用者的需求，使他們感到高興與滿足

今天介紹了 AI-first 的重要概念，包含了AI與ML的差別、ML的兩個階段、什麼時候該使用ML，以及使用ML的策略應該是如何，了解其代表的意義，明天我們將介紹 “Google如何使用ML”。