iT邦幫忙

第 11 屆 iT 邦幫忙鐵人賽

DAY 3
0

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。


上一篇
Day2: 來源 x 平台 x GCP
下一篇
Day4: 理解 x 分解 x 再構築
系列文
初心者的GDC攻略30

尚未有邦友留言

立即登入留言