機器學習的魔力

機器學習的魔力

講者/嚴成文(國立中山大學機械與機電工程學系特聘教授)|彙整/高英哲
整理自2019.09.23〈AI報你知‧大家都聽得懂的機器學習〉

效法自然

機器學習是一種掌握輸入與輸出間對應關係的方法學。其基本架構是藉由輸入大量資料,讓機器自行摸索,並由人類告知最終的結果是否正確;如果不是,機器便會適度調整,甚至從頭來過。電腦先是知道答案,再設法揣摩出人類心中那套判斷標準與規則。就像我們學習母語時從來沒背過文法,而是直接暴露在大量使用母語的環境中,每次犯錯便會遭到糾正,最終自然就學會了那套「知其然而不知其所以然」的文法規則。

「類神經網路」(neural network)是機器學習常見的形式之一。它模擬生物神經網路中神經元間的連結,但採用非線性的方式處理資訊。1980年代,傳統的機器學習仍須仰賴人力在茫茫數據中先挑選出關鍵特徵(例如惡性腫瘤特有的形態特徵),再餵給電腦學習(如何在醫療影像中一眼看出惡性腫瘤);到了2010年代發展出「深度學習」(Deep Learning),憑藉著多頻帶、多頻道、多尺度的「卷積神經網路」(Convolutional Neural Network,CNN),原先仰賴人類經驗篩選關鍵特徵的前置工作也全都由電腦包辦。

優勢與劣勢

 機器學習較諸人腦有許多優勢。首先是處理速度,機器大多數的嘗試都以失敗收場,但屢敗屢戰,在失敗中學習,仍能在短時間內得到不錯的結果;再者是記憶容量,電腦的記憶能力當然遠勝人腦;第三是處理多變數的能力,人腦頂多同時處理三個變數就窮於應付,機器學習卻能同時應付上百個變數;最後是多模組運作能力,我們可以同時訓練多個神經網路並相互整合,完成更複雜的任務。相較之下,人與人之間卻常常因為許多因素而無法做到真正的合作無間。

機器學習的缺陷當然也不少。除了欠缺常識,很多時候無法意會像是雙關語這種細微差異外,機器學習強於解構分析卻不擅統合,也常犯見樹而不見林的謬誤。機器學習也無法進行跳躍性思考,沒有突發奇想這件事,只能在給定的範圍內尋求答案。最關鍵的一點,則是機器學習對於資料量的需求極大,在資料不足的情況下,很可能給出極為離譜的結果;這也是為什麼機器學習時常與「大數據」(big data)一同被提起的緣故。

前景看好

實務上,機器學習常為相關產業帶來突破性的發展,甚至顛覆性的變革。短期可見的改變非FinTech莫屬,指的就是依照機器學習給出的建議買賣股票,避免人類因為預期心理作出錯誤的投資決策。中期自駕系統的技術愈發成熟,一旦成功上路,便可避免諸如疲勞駕駛等因為人為因素造成的車禍,降低交通運輸的社會成本。長遠來看,智慧醫療也是一片看好。現在已有商品問世的智慧個人助理,日後的功能也絕不會僅限於提供天氣與交通狀況,藉由收集大量個人生活起居數據,未來甚至可能充當人類的伴侶。

台灣有相當靈活的製造業傳統,以及一批素質優秀的醫療人員,在智慧製造以及智慧醫療產業方面,都有相當不錯的競爭潛力。我們不會被AI取代,但是未來很有可能會被懂得AI的人所取代;只要我們有所準備,就毋需擔憂AI在未來勝過人類,而是坐享AI所帶來的便利與進步。

(本文為教育部「人工智慧技術及應用人才培育計畫」成果內容)

views