---
title: 人工智慧在台灣-ORID (original)
tags: intumit
---
[toc]

:::info
以 info 來紀錄實際資料，並製作資料簡報。
:::
# [I] 從人工智慧談起
## 人工智慧究竟是什麼？
本書人工智慧的定義：
1. 任何讓電腦能夠表現出「類似人類智慧行為」的科技
2. 是一種可以感知、學習、推理、協助決策，並採取行動幫助我們解決問題的科技
### 人工智慧走過兩次寒冬
#### 第一波 把人類的知識與思考方式放入電腦
第一波約在 1950~1960 年代，希望讓電腦學會人類思考的「過程」，失敗的原因在於，連人類都還沒辦法清楚理解自己的思考過程，根本不可能將人類的語言脈絡、思考方式，乃至於理解、決策的具體步驟寫入電腦程式中。
#### 第二波 讓電腦按照人類定義的規則做決策
第二波約在 1980~1990 年代，以專家系統為首，讓電腦按照人類定義的規則做決策，希望讓電腦學會人類思考的「結果」，以「知識庫, knowledge base」與「推理系統, inference system」的方法來實現。

失敗的原因有二：
1. 主流商用ERP自 1990 年代後就有支援專家系統

2. 距離人們對人工智慧的期待還有很大的差距。差距很大的原因可以分三個層次來看：
1. 人類自己就無法解答的問題，專家系統當然也無法解答
2. 人類有能力解答，但規則不明確
3. 規則明確，但仍無法用程式碼表達

#### 我們懂的事，比自己能表達的多
這適合解釋上述的第二個層次，因為我們做的決策，很多是基於直覺或是內在經驗，無法用言語表達，更無法用程式碼書寫。當中可能有很多難以具體描述的內隱知識或經驗。

### 第三波人工智慧
2006年，Geoffrey Hinton提出限制玻爾茲曼機模型（Restricted Boltzmann Machine），成功訓練多層神經網路（multi-layer neural networks），可用來描述更複雜的非線性函數，並稱之為深度學習（Deep Learning）。
:::info
**深度學習參加 ILSVRC 一戰成名**
2012年，深度學習以 16.42％ 的錯誤率大勝對手的 26.22％ 錯誤率
2015年，以 3.5％ 的錯誤率達到新的里程碑
人類的平均錯誤率是 5％ ，也代表了正式具有實用價值。
:::
#### 三波人工智慧不同的代表技術
第一波代表技術：符號邏輯
- 符號邏輯需要的是領域專家，以 Lisp 或 Prolog 這樣的邏輯語言，用宣告式程式設計寫下決策邏輯。

第二波代表技術：專家系統
- 專家系統需要領域專家寫下經驗規則，通常用指令式程式設計來撰寫。

第三波代表技術：機器學習
- 領域專家必須提供歷史資料，讓電腦從這些資料歸納出專家的規則。
#### 機器學習vs.專家系統
機器學習與前兩波人工智慧最大的差異是，是基於「資料」而非人類的思考。
專家系統是由人來訂定規則，告訴電腦判別的方法；機器學習放棄由人類訂定規則，而是以資料來訂定規則。

#### 機器學習簡單說
本書機器學習的定義：任何可從資料歸納規則的演算法。
只要這個演算法，可以**接受我們輸入的歷史資料為輸入，根據歷史資料歸納並輸出決策規則，即一般常說的模型。我們可以將這個模型，套用在未曾見過的資料上，基於新資料以模型裡的規則做決策，並且決策的原則與歷史資料的原則相符**，就可歸類為機器學習。

機器學習的定義很廣，從迴歸（regression）、決策樹（decision tree）、支持向量機（support vector machine）到類神經網路（neural networks），都屬於機器學習的範疇。
## 機器學習一次看懂
### 機器學習與統計：方法相似，目的不同
統計是根據資料樣本，將其抽象化後得出上層意識；機器學習則是根據資料歸納規則並解決問題。

| 項目 | 統計 | 機器學習 |
| -------- | -------- | -------- |
| 學科 | 科學 | 工程 |
|目的|見微知著|以已知預測未知|
|輸入|小樣本|樣本(能小就小，但不是重點)|
|輸出|全域資料的結構|能預測未知的模型|
|技術|解析解為主|數值解為主|

### 機器學習與深度學習
機器學習有很多種演算法，類神經網路是其中一種，而深度學習又指多層(>三層)類神經網路。

#### 可自動進行特徵工程，才算深度學習
在發展機器學習模型時，基於「觀測值」來發想及定義「衍生變數」的過程稱為特徵工程，可以將這些衍生變數加入決策條件的判斷式中，來增進預測準確度，深度學習與其他所有機器學習方法的差異就是能夠「自動」進行特徵工程。
#### 特徵工程的難度
深度學習帶來的最大貢獻是，自動化的特徵工程，且找出比人類定義更好的特徵(衍生變數)。

#### 特徵工程越不好做，越適合深度學習
難做的特徵工程包含：
* 非結構化資料：
- 文字
- 影像
- 聲音
* 序列資料：
- 零售交易資料
- 金融市場資料
- 各種感測資料(溫度、濕度、亮度)

### 比較專家系統、傳統機器學習與深度學習
#### 資料與運算可與專家互補
人工智慧目前的演進方向是越少的知識描述，越多的資料和運算，讓決策越來越精準。
傳統機器學習的領域專家非常重要，要提供標注資料及特徵工程，機器學習工程師也很重要，撰寫程式並根據訓練資料來訓練模型，並使用測試資料來驗證測試準確度。深度學習則弱化領域專家的角色。

#### 人工智慧工程師需求增加
深度學習的能力要拿資料、運算資源、人才來換，所以在結構性資料的問題，原則上會優先使用傳統機器學習來做成本會比較低。

#### 資料越多，深度學習表現越可靠
### 機器學習的問題界定方式
1. 監督式學習(supervised learning)
在訓練過程中直接告訴機器答案，也就是將資料進行「標註」，著重於尋找觀測值和決策的關聯性，以數學來說就是尋找函數。
2. 非監督式學習(unsupervised learning)
若資料沒有標註，讓機器自行摸索出資料規則，稱為非監督式學習。常用在資料分析的前處理，讓之後的監督式機器學習效果更好。
3. 增強式學習(reinforcement learning)
增強式學習的特徵就是需要大量試驗，在技術門檻也比監督式學習與非監督式學習高出很多，進一步撇除人類的指導角色，自行找出規則作出更好的動作決策。
## 人工智慧的誤解與迷思
# [II] 人工智慧與產業發展
## 人工智慧發展的三個面向
## 產業人工智慧化經驗談
## 產業人工智慧化的挑戰與建議
# [III] 迎向未來的準備
## 台灣人工智慧學校
## 給政府的建言
## 給白領工作者的建議