沒事多用AI，用AI就沒事

現在社會充滿提及人工智慧(Artificial Intelligence, AI)的氛圍，總是有提到先+10分。
然而AI真的是一個最新科技提出或衍生出的東西嗎？
實際上在20世紀中美國學者John Searle就已經提出了相關概念：

• Strong AI
• Weak AI

AI以Google在本門課中說明其公司方觀點，就是一種廣泛的解決問題思維。

機器不會累不用給工資，會學習的話公司還不起飛?

每個人的一生都在不斷學習，充滿了各種觀察、提出假說、實驗/試誤、提出可能結論/學說、重複驗證。
相信大部分人都在科學方法流程中學會這些，而這些過程就稱作(人類)學習。
對應來說，如果可以把人這個腳色換成機器，該有多好？
那機器學習的過程又包含哪些呢？
一般說來，包含以下兩個階段：

1. 觀察資料並建立模型學習缺失 (Train an ML model with examples)
2. 用建立好的模型來預測未知的資料以修正得到更穩定的模型 (Predict with a trained model)

天下武功，唯快不破

上面講了這麼多，難道沒有應對特定功能最好的模型嗎？
只能說，以當時的情況對應出相對來說最適合的模型。
推薦大眾參考Goodfellow在《Deep Learning》所提及他對於統計到機器學習再到深度學習分野的差異，最重要的可能就是能夠取得資料的多寡。

然而，對於在業界的老手，相信對於資料收集的困難已有相當的認識。
資料收集是需要受到法律的規範，包括保護個人隱私；唯有在合法狀況下取得的資料才能被有效利用。

相關議題可參考GDPR

因此，利用各式ML方法學習出來的模型百家爭鳴；最後決定誰出線，自然就回到了問題最初的源頭：什麼是我們的目標？
這就是所謂的商業應用。

就如同課程中提到的：AI是一種紀律(discipline)，而ML是一種實行的工具組(toolset)。
我們可以想成：AI思維是本，ML是道。本立而道生。