当机器能自主学习,工程师反而是容易被淘汰的一群人

不过当机器的能力愈来愈强大时,又会衍生出另外一个问题:机器是否会取代人类?这的确是许多工作者担忧的议题。
但李宏毅并没有悲观认为人力会百分之百被取代,而是会以新的工作模式出现在职场中:人机共事,也就是透过机器先做好初步的工作,碰到无法处理或难以判断的困难时,再由人类接手。
举例来说,客户服务就是一个好的切入点,先由能做到深度学习、了解客户语意的聊天机器人,处理较为简单的问题,像是基本规范、操作流程等已经设定好的答案,但当机器人遇到客户十分个人化的问题时,就会由真实的客服人员协助处理。人机合作的工作方式,有助于降低人力,也能减少每位客服人员应付零碎问题的频率。
从李宏毅的说法来看,
会不会写程序,并不是决定工作者未来能否存活的关键。原因是机器学习不是只要工程师就够,尤其当机器能自主学习,不再需要那么多人替它撰写规则,工程师反而容易被淘汰。
事实上,机器学习或深度学习,只是一种手段,仍然要有人来制定目标,决定它应该要做到什么,并且进一步思考如何设计机器的「脑袋」以及「学习方式」,还要替机器搜集适合的数据。
李宏毅就提到 Google 一个有趣的例子,Google 为了要训练自己的语音识别系统,他们曾经找寻专门录音的公司,提供机器学习的素材。然而,后来他们发现自家产品 YouTube 更有效率,原因是许多人会在 YouTube 上传有字幕的影片,便成了现成的数据源,也不需额外花钱请人录音。
这代表要做好一项机器学习的产品,开发的能力固然重要,但能够发想、设计更有效率的「教材」的人才同样必要。而走到应用端,如同能够和机器共事的客服一样,了解机器的极限,并懂得在适当时机介入,也会是未来需要的人才。
不怕试错、拥抱新知识,是未来工作者最应具备的态度
既然机器学习同时带来希望与人力可能被取代的危机,想要利用这项技术的组织或企业主,应该做好哪些准备?李宏毅提点两个方向。
最后倒数!LINE、Google国际讲师跨海来台,第一手产业趋势洞察,就在 2019 Meet Taipei 创新创业嘉年华!
首先,必须确实了解机器学习需要哪些资源。举例来说,刚起步的电商网站想要组织机器学习的团队,负责设计商品推荐系统。然而机器学习在客户数据还没有齐全的状况下,不可能凭空摸索与建立推荐的规则。
再来,李宏毅坦承,通常难以预测机器是否真的学到你需要的规则,因此组织必须留下更多时间,检验原先搜集的数据与学习的方式。
他比喻,这就像主管带新人一样,不可能有完美的管理方法,适用于每一位下属,势必会有一段磨合期,找到最好的相处方式。李宏毅强调,通常不会第一次就找到正确的组合,这也延伸到工作者身处机器学习的时代,同样要具备敢于承认与面对错误的心态。
最后,问到在研究机器学习领域的过程中,对于自身有没有哪些帮助,李宏毅表示,因为机器跟人类学习的逻辑,还是有很多差距,在「学习方法」这件事情上,并没有任何的参考价值,但在「学习态度」上,却对他有很大的启发。
「我在 2015 年开设深度学习的课程内容,和 2018 年就已经非常不一样。」他说,虽然第一堂的简报内容,都是由「为什么深度学习,会比其他学习技术还要好?」开场,但 3 年前这个问题的答案,还停留在猜测的阶段,但数据、实验现在已经可以证明,深度学习在辨识、分类上的精准度确实更高。
因此,这两项技术带给他最多的收获,就是保持不断学习的态度。他笑着说,这个领域的更新速度,其实是以「月」为单位,或许这个月还在使用的设计方式,下个月就会出现更实用的解法。这也是他提醒工作者最后一件事情,唯有抱持开放的心胸,以及好奇的态度,才是未来具备竞争力的不二法门。
传统写程序 vs.机器深度学习:大数据分析、信息产制更精确
机器学习和深度学习,相较过去计算机、程序执行任务时有非常显著的差异,它们会更有效率、聪明地掌握与拆解大量的资料。以下用李宏毅在课堂中,请学生透过深度学习的方法,绘制出指定特征的漫画角色为例:

此条目发表在未分类分类目录。将固定链接加入收藏夹。

发表评论

电子邮件地址不会被公开。 必填项已用*标注