AI 时代下,哪一种人可能会失业?专家解析深度学习、未来人才的必备能力

现在如果想知道未来一周的天气、接下来自己有哪些行程,只要对着手机说一声「Hey!Siri!」「OK!Google」就能启动语音助理,让他们来告诉你。至于未来会不会出现像电影《云端情人》(Her)中,那位善解人意、能和主角交心的女声,似乎也没那么难以想象。
这些年来,各式各样新兴科技陆续进入我们的视野,人工智能(AI,artificial intelligence)、区块链(blockchain)等等,虽然我们不一定了解这些技术的原理,但它们确实加速了许多领域的发展。然而在这些科技的背后,其实还有一项可以视为推手、多数人却相对陌生的技术:机器学习(machine learning)。
「机器懂得学习,才有办法成为人工智能。」台湾大学电机工程学系助理教授李宏毅说,这个概念其实并不新颖,早在 1980 年代,就有人构思出来。但一直到近几年,受惠于现代技术的演算能力,人类才终于能发挥这项技术的潜力,得以把机器的能力再往前推一步。
机器学习技术的应用,其实非常贴近我们的生活。例如语音助理之所以能辨识我们在说什么,正是因为它们不断学习「听懂」我们说的话。
让机器「自行」摸索规则,处理更复杂的问题
然而,为什么机器需要懂得学习呢?最简单的答案,就是它们能解决更复杂的问题。李宏毅解释,过去工程师通常是写了一套规则,当机器遇到特定情况时,会参考这些规则,决定它们要做出哪些反应。
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!
可是,当我们希望机器可以处理更多的事情时,想要写出所有的规则并不实际。他同样以语音识别的技术为例,假设我们希望语音助理能听得懂「今天下午的天气如何?」应该是请人录制一段音源,并告诉助理说,这样的音源可以转换为以上的文字。
但这时候会碰到一个瓶颈:每个人讲出这句话的音调、咬字和语气都不太一样,难道工程师要搜集所有讲中文的人,录下这句话的声音再写下规则吗?因此,类似这种规则难以穷尽,或是不容易订出规则的领域,靠着传统方法,必然有其局限。
所以,与其试图写出所有的规则,不如让机器「自行」摸索出规则,这正是机器学习最基本的概念。也就是说,替机器整理好数据,并告知这些数据背后的涵义,经由演算、归纳之后,它们就学习到一套逻辑与分析的方法。
举例来说,如果我们希望机器能够分辨出,哪些照片中有猫,就要先汇整非常多猫的照片,并告诉机器说这些照片里有猫,包含猫有哪些特征,像是尖耳朵、胡须等。当这些数据经由机器演算之后,便能训练它们一旦辨识到特定元素,就能判定照片里有一只猫。
此外,具备机器学习能力的影像辨识系统,也因此能够应用在更广的领域,像是肿瘤、心脏超音波、视网膜等医学影像,可望降低医生繁重的作业,更有效率地判读这些病变。
在影像之外,应用到机器学习的场景其实也很广泛,像是你的 email 信箱,知道哪些是垃圾邮件;影音平台总是能推荐你有兴趣的影片,都是系统逐渐学习而来的逻辑。而在未来,自动驾驶要判断路况,或更懂你的智慧家电,都会运用到这项技术。
不过,传统机器学习更像是协助人类记忆、分类的工具,要透过机器学习做出更贴近想象的人工智能,得更进一步探究「深度学习」(deep learning)的领域。李宏毅比喻,「机器学习」就像是只有一层神经元的人脑,「深度学习」则是增加了很多神经元,因此才能做到自行学习、判断特征,并形成自己的逻辑。
同样是判断照片里有没有猫,传统机器学习仰赖人类先订好规则,告诉它要抽取那些特征,但深度学习只要给予足够照片,就能不断拆解照片中的图形,并把相似者分为一类,最后摸索出「猫是什么模样的动物」,自行归纳出猫的特征,用类似人类学习的过程,掌握分类的原则。

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