資料的最終目的就是替代人力。

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

不要以為透過資料達到自動化是這幾年 AI、深度學習火紅之後才發生的的事情，其實早在更早之前，人類就懂得搜集資料來將工作自動化了。

最早的自動化來自工業時代。

(工業時代蒸汽機)

蒸汽機發明後，機器開始可以取代人力。這些機器當然不會天生自己就會動，一定是透過反覆的觀察、實驗、紀錄、調整，來將機器改成能夠取代人力的樣子。

而這個「觀察、實驗、紀錄、調整」的過程，都需要資料才有辦法做到，也是現在不管是資料分析還是機器學習的核心精神。

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

上圖是基本機器學習的演算法的虛擬碼，最關鍵的地方就是第 5、6、7 行，表示一次迭代（將更新的變數取代前一次的變數）的完成。而一般的演算法少說都會迭代個幾百次，如果資料量更大、參數更多，就需要迭代更多次才能將結果收斂（收斂表示更新後的變數已經沒有太大的變動）。因此雖然精神一樣，但是迭代的速度和頻率就差很多了，也讓大家對於軟體的自動化有更多想像。以下我們將介紹幾個比較成熟、也比較熱門運用資料來做自動決策的範例。

推薦系統

從廣告推薦（Google）、商品推薦（Amazon）到影片推薦（Netflix），可以看到推薦做得好就能做成業界第一大佬（無誤）。推薦模型是很早就發展起來、也非常好應用的自動決策系統。

推薦系統相關的文章相當推薦同樣是鐵人的mikechenx，的系列文章-一服見效的 AI 應用，我就不在這邊獻醜了。

圍棋

說到 AI 怎麼能不說到圍棋。AlphaGO當年一戰成名，讓人看到 AI 的潛力。在贏過人類棋王之後，後記的 AlphaGO 甚至靠著對打就能超越原本的訓練模型，達到了強化式學習追求的頂峰-不靠任何外在資料，僅靠著懲罰和學習就能學會技能。

(棋靈王)

因為遊戲環境內的規則單純、加減分機制也容易計算，在學會圍棋之後，大家也開始嘗試讓 AI 學習其他遊戲，像是：

• 星海爭霸
  多圖詳解 DeepMind 的超人類水準《星海爭霸》AI「AlphaStar」

• LOL
  

• Mario
  

圖像辨識

圖像辨識算是深度學習中發展最快的一塊。當初有個公開比賽叫做ImageNet，2012 年 AlexNet 的錯誤率已經降低到 15% 左右，到了 2015 年微軟的 ILSVRC 已經將錯誤率降低到 5% 左右，表示視覺辨識的技術已經成熟到超過人類的正確率。

當圖片辨識率提高到這種程度，接下來的發展也就可以預期：

• 辨識得更快
• 辨識畫面中的更多物件
• 更多種資訊（像是情緒、年齡等）

應用也已經非常普遍，像是 Iphone 的人臉辨識解鎖、特斯拉的電動車、電動卡車等等，已經進入我們的日常生活中。

Data Centric AI

早期因為算力有限的關係，所以模型複雜度和資料量受到嚴格的限制。但隨著 GPU 算力越來越強，模型堆疊的越來越複雜後，模型的瓶頸從模型又回到 Data 上。

主要原因還是在於目前這些自動決策的 AI 都相當依賴人工的標籤（Label），也就是監督式的學習，需要大量的標籤資料來訓練模型（例如若水科技【AI 時代】AI 並非取代人力 若水身障數據標註師找到新活水）。但越難的領域，能夠拿到的標籤資料也就越少（例如醫學影像資料），這就讓難題重新回到資料上。

另外在由於 AI 模型嚴重受到資料的影響，因此也讓一些偏見、或歧視資料一併進入了 AI 中。(三招助你消除人工智慧的傲慢與偏見！)

AI 訓練師，成為新一代職業的同時，也產生相對應的問題。

這些都是未來在推行自動化決策的路上需要留意的議題。

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