AI人工智慧– 定義、技術原理、趨勢、以及應用領域（上）

許多領域對於人工智慧的定義與見解都不大相同，但核心層面的定義是一樣的，AI的意思是運用程式的方式達到人類需要運用智慧才能完成的事情。

AI人工智慧–定義、技術原理、趨勢、以及應用領域（上） byrtadv99|8月3,2021|AI人工智慧 人工智慧的技術、資源、以及基礎建設已經逐漸成熟，不論組織的大小，只要策略性的規劃投資與發展方向，人工智慧都能夠或多或少為組織帶來商業價值，MGI更是於一次2018年的研究中指出，倘若70％的組織採納部分AI技術，而50％的大型組織全面採納AI技術，在2030時，人工智慧(包括機器學習)將能夠給全球GDP帶來另外13兆美金的潛能。

然而，即便人工智慧乘載著如此龐大的商業潛能，多數組織依然無法全面的發揮出AI的潛能，其原因大致如下： 缺乏有效的數據基礎建設以取得乾淨、充足、且具商業價值之數據。

數據科學家、AI工程師、以及相關數據分析技術人才於勞動市場上的短缺。

組織與團隊成員出於對AI的不理解，而導致對於AI導入的阻力，不理解包含擔心工作被取代。

缺少策略性的部署與專案發展過程中的變更管理，而致使AI導入之專案失去了動能。

要真正理解如何充分的應用AI，我們可以先從定義、趨勢、以及應用面開始著手，本篇文章在逐步地探討到導入策略，以了解企業於部署、發展、並規模化組織於AI之應用該如何執行。

什麼是人工智慧？​ 許多領域對於人工智慧的定義與見解都不大相同，但核心層面的定義是一樣的，AI的意思是運用程式的方式達到人類需要運用智慧才能完成的事情。

傳統的程式是用一系列的指令以及規範來讓整個程式運作，例如一個計算機，他的Input如數字、以及加減乘除等的運算子，都是被規範好的，而這導致這個程式無法處理沒有被定義的新變數，所以若我們想要此程式處理其他問題，工程師就必須更新指令或是重新撰寫程式以處理新的變數或新的需求。

然而工程師以及電腦是不可能將整個世界的變數放進一個程式中的，這就是為何在解決真實世界的問題時，新的方式必須被發展出來，在所有AI技術中，最被廣為應用的即是機器學習，不僅是因為其較低的技術與數據成本，同時更是因為機器學習部署的價值體現較快，而使得組織更傾向於發展該技術，在一次與台灣食品業者的合作中，我們在短短的24週的週期，即接續性的起跑了三項機器學習Program，包含了全週期的預測與計畫、ROI評估、以及定價與特價等策略，同時在這整個過程當中，我們透過前三項Program所產生的價值，持續的增加人才計畫，並規模化其他層面的發展與應用，讓我們客戶的企業能夠建立起持續發展AI的動能，成為一間AI賦能之企業。

同樣的，深度學習、強化學習等技術也是具備著龐大潛能，一份研究更是指出較為先進的AI技術有著每年產出3.5兆～5.8兆的潛能，而當前於物件偵測、自然語言處理、以及圖像辨識等等技術的突破，都是重度依賴著深度學習與其他較為先進的AI模型之發展。

機器學習（MachineLearning）​ 機器學習，一種人工智慧的技術，不同於傳統程式，機器學習是通過處理並學習龐大的數據後，利用歸納推理的方式來解決問題，所以當新的數據出現，機器學習模型即能更新自己對於這個世界的理解，並改變他對於原本問題的認知。

簡單來說，假設現在有一個人對於美醜沒有概念，那麼你把他帶到一群人面前，並指著其中一個說是美、一個是醜、另一個是美等等…隨著這位本無審美觀的人看到更多資訊後，他也會開始對審美這個觀念有一定的想法，而關鍵在於，數據的量一定要足夠大且數據的品質一定要有一定的水準，才能讓機器學習模型更好的判斷問題的答案。

深度學習（DeepLearning） 這個機器學習的分支利用多層次的人工神經網路透過數據學習，其中兩種最為主要的類別為卷積神經網路（CNN）以及遞歸神經網路（RNN）。

CNN較適合如圖片、影片等的空間數據類型，透過不同階級的特色來識別圖像，例如從一個鼻子的特徵、眼睛的特徵、嘴巴的特徵、三者彼此的關係為何、再到最後變成一張人臉，CNN的發展對於需要快速識別周圍環境的自動駕駛至關重要，同時圖像識別的技術，也是工業4.0的核心技術之一，RNN則較適合如語音、文字等的序列型數據，不同於其他的神經網路，對於RNN，所有的input都是相連的，所有處理過的資訊都會在訓練的過程中被記住，而也是這特色，讓它非常適合處理自然語言。

雖然神經網路的技術早在數十年前就被研發出來了，但當時的環境不僅數據匱乏，運算速度也是瓶頸原因之一加上成本都導致深度學習無法成功帶進商業環境。

然而隨著運算速度大幅的提升、運算成本大幅的降低、以及演算法變得更加成熟，如深度學習一般的技術也開始被頻繁的應用在商業環境中。

  強化學習（ReinforcementLearning） 強化學習同樣為機器學習的分支之一，為一種透過獎勵機制以及懲罰機制的方式，訓練演算法模型的方法，也就是說，當演算法做了我們所期望之行為時，我們就會透過獎勵的方式，明示演算法做更多如此行為，反之亦然，而我們評估演算法在執行每一個任務的有效性的方式，即是透過觀察其分數（被獎勵之多寡）來衡量。

強化學習的應用面非常廣泛，從自動駕駛的軌跡優化、路徑規劃、運動規劃，或是透過用戶行為回饋而建立的新聞推薦模型，一直到行銷與銷售以及NLP等。

  集成學習（EnsembleLearning）​ 集成學習是為了降低模型偏見、變數、以及提高準確度而根據不同種類的數據，在各個階段應用不同的機器學習演算法來訓練模型的演算法，集成學習在數據非常複雜，或是有多種潛在的假設時非常實用，因為它能夠透過不同的假設建立模型，以定義出更明確的方向。

文章來源：https://oosga.com/pillars/artificial-intelligence/ 搜尋關鍵字: 近期文章 4張圖，一次搞懂人工智慧的現在、未來，及對你工作的影響(下) 4張圖，一次搞懂人工智慧的現在、未來，及對你工作的影響(上) 力壓全球科技巨擘　AI精準醫療2台廠衝第一 5年後產值上看12兆AI精準醫療成科技業必爭之地 人工智慧在醫療保健中扮演的角色（下） 近期留言「AWordPressCommenter」在〈中華亞太人工智慧商業發展協會〉發佈留言彙整 2021年8月 2021年7月 2021年4月 2020年7月 分類 AI人工智慧 AI創意 AI機器學習 AI深度學習 AI生活 Uncategorized 其他操作 登入 訂閱網站內容的資訊提供 訂閱留言的資訊提供 WordPress.org台灣繁體中文