延續上一篇的「穿心攻擊」概念，其所應用的機器學習原理是所謂的「強化學習」（Reinforcement Learning），
擅於處理龐大而且複雜的議題，目前機器學習主要分為三種:

監督式學習(Supervised Learning)：從標記 (labeled) 資訊中分析模式後做出預測的學習方式。標記過的資料就是標準答案，電腦在學習的過程透過對比誤差，一邊修正去達到更精準的預測，這樣的方式讓監督式學習準確率提高，但同時也非常的耗費人力去標記，在資料範圍大的時候相當難以運作。簡單來說就是利用一根胡蘿蔔訓練一隻天竺鼠車車從A走到B點可以，但是萬一有十萬隻天竺鼠車車，但你要讓他們各自走到相對應的定點的時候，難保他們不會亂吃彼此的胡蘿蔔，甚至你自己都會忘了要怎麼事前放置胡蘿蔔路徑。

非監督式學習(Unsupervised Learning)：不需事先以人力處理標籤，機器面對資料時，做的處理是依照關聯性去歸類 (Co-occurance Grouping)，資訊正確或不正確的判別並非重點，找出潛在規則與套路 (Association Rule Discovery)形成集群 (Clustering)才是終極目標，可以省去監督式學習所耗費的人力。以天竺鼠車車為例，假設有90％的天竺鼠車車都從A-B點吃胡蘿蔔，剩下10％才是其他路徑，非監督式學習可以標記出「吃胡蘿蔔：路徑A-B」這個特點。

強化學習(Reinforcement Learning)，其中強化學習不同於監督式學習，不需要標記資料，又與非監督式不同，是一種互動式的學習。舉例來說給要比賽的天竺鼠車車吃高麗菜葉，他就會衝超快，從此出現在比賽賽道上看到高麗菜就是衝快就對了。

簡言之就是要教會這台車車自己好好比賽，然後懂得吃到胡蘿蔔或高麗菜就是開心跟勝利。

然而回到真實世界的無人車應用，AWS協助過Torc Robotics在美國測試自動駕駛貨車，在符合L4級自動駕駛系統，車輛能夠在特定的營運條件下執行全部駕駛功能。Torc除了利用Amazon EKS作為機器學習的模擬軟體，收集和處理來自光學雷達、雷達、攝影機等感應器的數據。也使用Amazon S3作為儲存服務，同時也使用Amazon Managed Streaming for Apache Kafka作為即時資料之低延遲處理與管理。

（今天居然這麼正經，都差點忘了是來說自動駕駛，也許我們距離跟這位仁兄1997年的作為也是不遠了）

這篇Jojo根本沒出現多少，到底。

Photo Credit:木棉花影片截圖