AI讀書心得:人工智慧在台灣:產業轉型的契機與挑戰

作者:Ben

書目連結:
https://www.books.com.tw/products/0010821934

前言:

陳昇瑋博士是台灣人工智慧學界名人,除了是中研院院士與台灣人工智慧學校的CEO,也致力於人工智慧的產官學合作、落地化應用,不是純學術的學者,而是入世科學家。不幸的是,陳博士於今年因意外離世,無法繼續完成他的夢想。這本2019年出版的著作說明他對台灣AI產業發展的理想,也以淺顯易懂的文字介紹人工智慧為何?就算完全不懂程式,也能輕鬆理解概論,如果你是開發者,也能從此書了解產業脈絡與實務應用。
總結來說是一本人人必讀的AI通識書,以下節錄一些重點和想法。

AI進程

AI浪潮在過去發生過兩波,但後來都冷卻掉,新一波在2010年後由圍棋大師:Alpha Go引爆第三波熱潮,受惠於算力強大的晶片、大數據基礎、演算法成熟的天時地利人合,許多以前表現不如預期的項目,如影像辨識、語音辨識,都有突破性的進展,且在產業界有成功應用,如醫療判讀、產品瑕疵檢測,讓許多科學家斷言這波AI浪潮和以前不一樣了,不再空有理論,而是逐步影響人類的生活。

不過目前的AI仍屬『弱人工智慧』,也就是無創造力的AI,其學習完全依賴人類輸入的資料,具主動思考、感情的『強人工智慧』在短期(50年內)連影子都沒有,且無法用目前機器學習演算法來發展,應該會以另一套新技術來發展,所以科幻片如西部世界或全民公敵的情節、一大堆工作被取代的推想,純屬想像,目前只有重複性高的工作如客服、檢測員、駕駛等重複性高的工作會被逐漸取代,其他行業趨勢為人機合作。

機器學習簡單分

  1. 監督式學習:人類先標註label,如標註是狗還是貓,讓電腦填鴨式學習,目前90%算法都用這。
  2. 非監督式學習:不先標註label,讓電腦自動去依照變數去分群,資料科學家再判讀分群結果的意義,讓電腦學習自己去分類。
  3. 深度學習:機器學習演算法的一隻,與一般機器學習差異在,不用先人工作特徵擷取(做指標),讓電腦去找特徵,如不用給電腦看KD值,只丟價量資料讓電腦自己生成指標。在降低人為涉入

AI產業化的難題

以前硬體是問題,現在晶片算力強、伺服器便宜,現在比較麻煩的是資料和人材問題。

技術債-資料處理基礎建設:

沒有資料,演算法再強也沒用,大數據不是量多就好,質量更重要,不然做出來的只是自己爽的Trash。
陳博士蠻多youtube影音資源可看,有一篇就在說醫學資料label標註的問題,若視網膜影像只給一位醫生標註有無病變,誤差率很高,同一張圖給33位醫生看,只有60%影像是看法全部一致,可見1.資料要給數位專家多數決標註、2.人類判讀不穩定性很高,但要請專家來標註資料,這成本可不低,企業會願意花錢處理資料嗎?

截自陳教授演講:https://www.youtube.com/watch?v=OddYM6aq-zM

另外具筆者工作經驗,許多企業ERP、CRM、EC外包給多廠商做,資料庫系統與格式都不同,光日期就有好幾種格式,或是沒有埋紀錄使用者操作的程式,在後來想導入AI推薦系統或精準行銷時,會在資料處理和搜集遇到困難,有多少企業願意先花大把時間還完技術債?

AI人材困境

現今AI人材供需失衡,且技術迭代太快(畢業3年後,原先技術就偏老),要找有產業經驗加懂最新演算法的很難,因為剛畢業的新鮮人沒經驗、產業老鳥沒太多時間學新技術(台灣習慣省人力成本,老闆很難放你平日丟下工作去學新技術),台灣仍以硬體代工為王,純軟工的企業待遇差國外一大截,造成人材不是往豬屎屋跑,就是遠走高飛,上市櫃軟體企業多做代理、維護追求短期獲利,無論是演算法開發、雲平台服務都落後國外甚多。

作者指出企業計畫導入AI時,必須由上而下的支持,AI專案不能用傳統KPI定義績效,經理人須掃除管理障礙,因為初期會花很多時間還技術債和試誤,應該用投資新創以小博大的視角來評斷,如投入獲利的10%來養AI拚未來趨勢領先權,若成功,報酬率會很高;若失敗,也不影響太多主體獲利。
經理人不一定要很懂程式,但一定要對AI適合解決哪些問題、企業待解決問題的優先權、跨部門整合溝通有足夠理解。
資料量缺乏、不可知情境多的,機器學習能幫助的就有限。

團隊工作流

培養厲害的工程師很重要,培養了解AI的老闆更重要,工程師才能少受點折磨。具我目前在產業的經驗,完整的團隊配置是:

  1. 資料工程師:蒐集與清洗資料
  2. 機器學習工程師:特徵擷取、套用或開發演算法、建模
  3. 資料科學家:領導工程團隊,訂定研究方向、判讀商業價值。
  4. UX Resercher,沒錢請資料科學家的公司,可能請使用者體驗研究員來設計解決方案,補足工程師弱項。差在其不大懂程式,工程師要花較多時間溝通可行性。
  5. 一組前後端將模型判讀結果刻出API與BI(儀表板)畫面
  6. PO or PM:經理人與市場部溝通問題優先權、目標、可能情境變數。

實際是…見<打造第一隻AI團隊,陳教授著>
https://www.leadercampus.com.tw/desktop/course/free/960

產業案例

陳教授最看好醫療應用的成功,原因是台灣有完整的健保資料庫,醫學資料生成也較穩定專業,label標記單純,現在知名的雲象科技(腫瘤檢測)、PTT創世神的AI Lab(基因檢測、病毒基因序)就屬代表。

再來由於台灣是硬體王國,有不少機器生產管理的數據可作機器故障預測、產品瑕疵檢測,製成優化應用也是看好的方向。如AOI光學檢測升級、布料染色配方、石化業工廠管理等等。以後物聯網更發達後,又有更多數據可導入。

金融業數據也齊全,陳教授生前也擔任玉山金科技長,將AI導入信用卡管理、洗錢法遵、投資理財等,近來台灣官方剛開放些保守態度,有創立監理沙盒給金融新創試驗金融數據,未來也有潛力。

總結

文筆非常好的科普書,未來AI將會影響生活各層面,就算不投入此行,也該思考自己的生活會受何影響?AI會帶來什麼方便與危機?
初探AI領域、課程的人在寫程式前最好先看這本書,你才不會覺得AI很抽象,再搭配陳教授生前的網路演講影音,更有成效,你也會敬佩這位科學家的理想與為台灣付出的努力!

喜歡用Python解決問題。從finlab課程學到投資程式應用與靠python吃飯,二轉為Python網路後端工程師。

Ben

Finlab線上課程神燈精靈