Brand
載入中...

我翻了 產業 的牆

陳晏琳

優拓資訊 前商業顧問

從混跡於財務報表與股市的金融人,轉職至新創軟體圈後,對 SEO 與內容行銷、設計(字型學/Material Design)、群眾募資、程式與開源軟體(Open Source)皆有所接觸。

先前於機器學習數據分析公司優拓資訊任職商業顧問、提案涵蓋基礎統計分析到 Deep Learning 的各種模型。

平時喜愛書寫文字、致力於使用淺顯易懂的文章讓大眾瞭解艱澀的產業知識,目前在股感知識庫作為產業研究員與網站產品經理。

【 機器學習與人工智慧的創新革命 】
從 Google AlphaGo、臉部辨識、自然語言處理、醫學診斷、機器人理專、工廠、自動道路駕駛…這些全都是藉由機器學習技術,讓電腦從大量資料中快速學習,協助人類做到前所未有的精準分析與預測。人工智慧浪潮來襲後,未來無論是工業、金融、農業、醫療、交通…可能全都將由人工智慧與機器學習,以革新的技術突破顛覆各產業舊有的運行方式。
「人工智慧」與「機器學習」到底是什麼?「深度學習」又是什麼?本次講座將以機器學習的基礎介紹與其產業應用作為切入,帶領聽眾一探機器學習領域。
相關部落格
相關網站
泛答個人頁
【 快問快答 】

第一次翻牆是什麼時候?什麼樣的情境下?

結束金融業的實習,進入一家網頁設計新創公司。在那時,第一次學會不用艱澀難懂的語言去向客戶解釋技術名詞。曾以為對客戶用太簡單的方式溝通會被顯露不出我們的高深之處,然而有效溝通才能真正讓對方產生興趣並帶來營收,與過去的思考方式大相逕庭。

如果把「知識」比喻成動物、植物、事物...等,你會把「知識」比喻成什麼?

知識就像水之於人,一個人若不能接受知識、彷若與死無異。故知識不應存在界限,也不應讓人難以觸及或以高牆圍之。

你覺得獵人結局跟人工智能,哪個會先出來?

依據我的講題,我會投人工智能一票。(笑)(編按:只能拜託子孫燒結局給我看了嗚嗚)

影像紀錄
文字紀錄

文/黃珮蓁

曾因學業背景而一心嚮往傳統金融業的陳晏琳,因緣際會進入了新創軟體圈,展開了在數據分析、程式與開源軟體等領域的探索,目前任職於股感知識庫(Stockfeel),致力將艱深的投資與股票專業知識,以淺顯易懂的資訊圖表與文字傳遞給大眾。這次,我們在 2016泛.知識節第二天的活動中邀請到她,分享說明人工智慧的發展歷程,以及釐清近年許多人討論的熱門技術——人工智慧(Artificial Intelligence,AI)、機器學習(Machine Learning)與深度學習之間(Deep Learning)的差別。

陳晏琳
陳晏琳與大家分享人工智慧與機器學習

陳晏琳首先指出,許多人對「人工智慧」的認知可能來自科幻電影,或是近期李世石對上 AlphaGo 的圍棋人機大戰,及致力從顯示卡轉型為人工智慧運算公司的 NVIDIA,這些看起來似乎和大眾的生活遙不可及,但其實,人工智慧滲透入一般人日常生活的程度或許比我們想像的還深,包括電子信箱的自動分類、Google 搜尋時的圖像辨識以及自動翻譯等工具,都是源自同領域的技術。「因此,對現代人來說,認識這些科技發展是非常重要的。」

1950 年代:人工智慧的哲學思考與實際應用

自 1950 年代電腦的誕生以來,人類對人工智慧的討論不曾停歇。

哲學家 John Searle 就將「智慧」分成弱人工智慧(Weak A.I. )與強人工智慧(Strong A.I.),而判別的標準在於:是否存在感情與意識的狀態。以 AlphaGo 來說,弱人工智慧是透過運算、一次次地跑過數學模型並找到最優化的路徑,屬於單純的應用層面;強人工智慧則能意識到自己正在下棋,並知道自己為何下棋,必須處於擁有感情和意識的狀態,而圖靈測試(Turing Test)便是測試機器是否能表現出與人類等價,或以人類角度而觀、無法分辨的智能。

然而,這些對於「智慧」的討論都仍屬於「哲學」範疇,在電腦科學應用的領域中,則是關注「如何以電腦科學解決問題」,較不著重處理感情、意識或倫理的議題。

圖片來源:「Match 1 - Google DeepMind Challenge Match: Lee Sedol vs AlphaGo」影片截圖
圖片來源:「Match 1 – Google DeepMind Challenge Match: Lee Sedol vs AlphaGo」影片截圖

從人工智慧到機器學習,再從機器學習到深度學習

陳晏琳自 1950 年代說起人工智慧的發展說起,接著是 1980 年代受到學術與應用上愛戴的機器學習深度學習則是到了 2012 年才真正興起,她說:「科學發展有匯聚的一條路,它們並非憑空而來,是科技發展的必然導致了這個狀態。」

隨著電腦技術的優化,出現了人工智慧的分枝 —— 機器學習。

人工智慧解決問題的方式有很多種,機器學習便是其中之一,透過模擬人類的學習行為,從資料中自行「學會」調節,讓電腦自然而然知道資料代表的意義。「機器學習除了仰賴好的運算能力,還需要大量數據,這些海量數據正是透過智慧型手機的普及、與大量使用行為累積而來。」也算是其中一種科技發展的必然。

提到應用層面,陳晏琳解釋,機器的判讀其實是從 0 和 1 的機械碼運算而來,當機器能判讀圖片內容,便能應用到氣象或醫學上的影像判斷,例如預測病人是否有糖尿病或眼部病變。

那麼,機器學習的分枝——深度學習,又稱深度神經網路(Deep Neural Network)——是如何出現的呢?

1980 年代起,開始有學者試著從醫學的角度模仿生物大腦神經網路,計算神經元如何在不同狀況被激發,並來回地測試與調整每次節點的反應與傳遞。2006 年,深度學習之父 Geoffrey Hinton 實際解決了「神經網絡反向解碼」的技術問題,開啟了深度學習的應用大門。直到 2012 年,在專做機器辨識搜尋的學習資料庫 ImageNet 所舉辦的機器學習競賽上,Hinton 的兩個學生用使用 NVIDIA GPU 來訓練神經網路,發現利用 GPU 運算較過去使用 CPU 的速度快上 10 到 20 倍,深度學習的技術運用於是開始步上軌道。

Geoffrey Hinton 被稱為深度學習之父(Photo via Eviatar Bach@wikipedia, CC License)
Geoffrey Hinton 被稱為深度學習之父(Photo via Eviatar [email protected], CC License)

人工智慧的再思考

在演講的最後,陳晏琳表示自己對人工智慧技術抱持著相當正面的展望。「隨著技術的發展與普及,人工智慧已不是只有大公司玩得起的高科技,機器學習與深度學習就像一個封裝完好的黑盒子,透過 Tensorflow、Caffe 等工具包(Toolkit),調整一下 API,便能完成任務,例如日本便有農夫利用深度學習判讀小黃瓜優劣的成功案例。」

「人類和機器看似很接近,但其實是完全不同的生命體。」

而當技術的發展與突破日新月異,人類的工作有可能被機器所取代嗎?陳晏琳認為,人工智慧或機器學習仍存在盲點:它不能解釋預測的原因。

「傳統統計著重在解釋能力,若一個模型預測的 Error 能達到更低、但沒辦法解釋現象成因,還是會放棄;機器學習比起能否解釋、更著重預測的精準度高。然而發展科學時若不能解釋、就算預測得再準,還是不能理解一個現象為什麼會發生。」人類覺得簡單的事,有時機器可能做不到,反之亦然,陳晏琳淡淡地笑,「人類和機器看似很接近,但其實還是完全不同的生命體。」

欲罷不能,想讀完
在翻牆與不翻之間請別猶豫錯過知識撞擊
感謝支持
線上購票完成,線上驗證後皆能兌換實體票券