# AI 的因果 (全領域 Survey)

### AI人工智慧是甚麼?

人工智慧(AI)、Artificial Intelligence這個詞，在1950年代就有了。
這個詞意味著一個人類長遠以來的目標，希望機器可以跟人一樣的聰明。在科幻小說裡面，我們看要很多這樣的幻想和期待。但很長一段時間裡面，人們並不知道怎麼做到人工智慧這件事情，直到後來，大概1980年代以後，有了機器學習的方法。
那麼機器學習顧名思義，就是讓機器具有學習的能力。

人工智慧是我們想要達成的目標，而機器學習是想要達成目標的手段，希望機器通過學習方式，他跟人一樣聰明。深度學習就是機器學習的其中一種方法。

從下圖可知，人工智慧為一個大領域，而我們常聽到的機器學習和深度學習為人工智慧的子集。


機器學習 VS 深度學習
機器學習為一個設定好的特徵去做

深度學習為一個自動化的特徵去做

### 那AI有甚麼領域呢?
### 電腦視覺領域
比較常見的為
1.影像分類:
影像分類會將影像作為輸入，並將其分類為指定的類別。
例如:貓狗分類
2.目標偵測:
在真實世界的應用情境通常要從一張圖片中辨識所有出現的物體， 並且標示出位置來
例如:圈出貓狗的大概位置
3.影像分割:
例如:圈出貓狗的整體形狀
### 自然語言處理
智能問答、機器翻譯、文本分類、文本摘要

### 語音領域
例如:樂譜辨識

### 數據分析領域

例如:玉山信用卡詐欺偵測
### 延伸領域
推薦算法….
邊緣運算

### 他們的共通模式是甚麼?

有一組資料(影像，結構化資料，文本，音波) 透過輸入AI模型，做出自己想要的結果
改善面相

### AI職業有哪些分類?
目前我是分為三種:

#### AI標註師(居家就業支持專員/資深專員)
負責標圖、標註資料，比如把一張圖上的車子圈出來
此類門檻較低，可以幫助一些身障人士擁有工作機會
而標註是一門學問，標註好壞會影響後面的訓練結果

以若水國際所提出的標註能力為例:


EX:若水國際股份有限公司的居家就業支持專員/資深專員(EAP):
https://www.104.com.tw/job/6rmfo?jobsource=cs_2018indexpoc

或者給一些人擁有打工的機會
EX:奧啓迪科技股份有限公司的資料標註師 (Contractor):
https://www.104.com.tw/job/7e2ak?jobsource=n_my104_search

#### AI工程師(AI訓練師)
AI工程師就是我們常常聽到想從事的職業
透過得到的資料())選擇是當的模型

電腦視覺領域

數據分析領域

自然語言處理領域

#### AI科學家(算法工程師)
AI科學家主要是對AI工具的開發

EX:人工智慧資料科學家/人工智慧應用工程師_台達研究院(台北)
https://www.104.com.tw/job/6h22n?jobsource=cs_2018indexpoc

### 在對岸有所謂的內卷問題?

根據Talent Seer 2020 AI人才報告顯示，全球AI從業者總人數約有30萬，還是供不應求，其中AI技術專家（具有相關領域博士學位及3年以上工作經驗的）約有3.65萬。
其中有20%就職在谷歌、微軟、蘋果、IBM等科技巨頭。
隨著這一個十年的人工智慧浪潮逐漸冷靜平息，對AI崗位的要求也水漲船高，競爭也愈發激烈。
據說2020年的演算法崗位競爭100:1，進BAT的演算法崗更是難上加難。
中科大一位網友表示，演算法部門的人地矛盾越來越激烈，能有多少產出取決於能搶到多少資源。
AI發展依賴算力增長，但是近年來單卡算力增長放慢，大家開始擴大分佈式，結果是調研需要的資源越來越多。
同時演算法工程師也越招越多，每個人能分到的實驗次數越來越少，有的地方一個人平均一個月開不了一次實驗。
還有一位網友道出了真諦，「現在大廠的演算法崗真是越來越卷了，在2016年左右，只要你能跑通CNN模型，基本就能通過演算法崗的面試（基本20k/月）。
而現在的演算法崗基本都要985碩士起步，有論文或者相關項目的經歷。
即使應屆生達到了入行的門檻，但由於不懂面試套路，也是分分鐘被刷的節奏。」

### 台灣AI職涯走向
在台灣，如果要開發AI工具，以及AI演算法，我們是輸給美國以及對岸的。但我們很缺會應用AI工具的人，這裡簡稱AI工程師。
我們真正需要的是有產業知識的人來當AI工程師。
擁有金融知識的人可以從事金融AI
擁有影像處理知識的人，可以從事電腦視覺的工作

---
參考文獻
[1]統計學習方法（第2版）
[2] The Book of Why: The New Science of Cause and Effect
[3]數據挖掘導論（完整版）
[4]《Deep Learning》Ian GoodfellowYoshua Bengio
[5]模式识别/机器学习圣经-《模式识别与机器学习-PRML》
[6]吳恩達 Coursera課程Deep Learning Specialization
[7]吳恩達 Coursera課程Machine Learning
[8]數學之美 吳軍著
[9]Machine Learning (Hung-yi Lee, NTU)
[10]Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow
[11]統計自然語言處理 宗成慶著
[12]人工智能：一種現代的方法（第3版）
[13]百面機器學習：演算法工程師帶你去面試
[14]104人力銀行
[15] 2022 年秋招算法岗继续卷翻天
---