色美眉部落格www.cn6r.com

現在如果想知道未來一周的天氣、接下來自己有哪些行程，只要對著手機說一聲「Hey！Siri！」「OK！Google」就能啟動語音助理，讓他們來告訴你。至於未來會不會出現像電影《雲端情人》（Her）中，那位善解人意、能和主角交心的女聲，似乎也沒那麼難以想像。這些年來，各式各樣新興科技陸續進入我們的視野，人工智慧（AI，artificial intelligence）、區塊鏈（blockchain）等等，雖然我們不一定了解這些技術的原理，但它們確實加速了許多領域的發展。然而在這些科技的背後，其實還有一項可以視為推手、多數人卻相對陌生的技術：機器學習（machine learning）。「機器懂得學習，才有辦法成為人工智慧。」台灣大學電機工程學系助理教授李宏毅說，這個概念其實並不新穎，早在 1980 年代，就有人構思出來。但一直到近幾年，受惠於現代技術的演算能力，人類才終於能發揮這項技術的潛力，得以把機器的能力再往前推一步。機器學習技術的應用，其實非常貼近我們的生活。例如語音助理之所以能辨識我們在說什麼，正是因為它們不斷學習「聽懂」我們說的話。讓機器「自行」摸索規則，處理更複雜的問題然而，為什麼機器需要懂得學習呢？最簡單的答案，就是它們能解決更複雜的問題。李宏毅解釋，過去工程師通常是寫了一套規則，當機器遇到特定情況時，會參考這些規則，決定它們要做出哪些反應。可是，當我們希望機器可以處理更多的事情時，想要寫出所有的規則並不實際。他同樣以語音辨識的技術為例，假設我們希望語音助理能聽得懂「今天下午的天氣如何？」應該是請人錄製一段音源，並告訴助理說，這樣的音源可以轉換為以上的文字。但這時候會碰到一個瓶頸：每個人講出這句話的音調、咬字和語氣都不太一樣，難道工程師要蒐集所有講中文的人，錄下這句話的聲音再寫下規則嗎？因此，類似這種規則難以窮盡，或是不容易訂出規則的領域，靠著傳統方法，必然有其局限。所以，與其試圖寫出所有的規則，不如讓機器「自行」摸索出規則，這正是機器學習最基本的概念。也就是說，替機器整理好數據，並告知這些資料背後的涵義，經由演算、歸納之後，它們就學習到一套邏輯與分析的方法。舉例來說，如果我們希望機器能夠分辨出，哪些照片中有貓，就要先彙整非常多貓的照片，並告訴機器說這些照片裡有貓，包含貓有哪些特徵，像是尖耳朵、鬍鬚等。當這些資料經由機器演算之後，便能訓練它們一旦辨識到特定元素，就能判定照片裡有一隻貓。此外，具備機器學習能力的影像辨識系統，也因此能夠應用在更廣的領域，像是腫瘤、心臟超音波、視網膜等醫學影像，可望降低醫生繁重的作業，更有效率地判讀這些病變。在影像之外，應用到機器學習的場景其實也很廣泛，像是你的 email 信箱，知道哪些是垃圾郵件；影音平台總是能推薦你有興趣的影片，都是系統逐漸學習而來的邏輯。而在未來，自動駕駛要判斷路況，或更懂你的智慧家電，都會運用到這項技術。不過，傳統機器學習更像是協助人類記憶、分類的工具，要透過機器學習做出更貼近想像的人工智慧，得更進一步探究「深度學習」（deep learning）的領域。李宏毅比喻，「機器學習」就像是只有一層神經元的人腦，「深度學習」則是增加了很多神經元，因此才能做到自行學習、判斷特徵，並形成自己的邏輯。同樣是判斷照片裡有沒有貓，傳統機器學習仰賴人類先訂好規則，告訴它要抽取那些特徵，但深度學習只要給予足夠照片，就能不斷拆解照片中的圖形，並把相似者分為一類，最後摸索出「貓是什麼模樣的動物」，自行歸納出貓的特徵，用類似人類學習的過程，掌握分類的原則。當機器能自主學習，工程師反而是容易被淘汰的一群人不過當機器的能力愈來愈強大時，又會衍生出另外一個問題：機器是否會取代人類？這的確是許多工作者擔憂的議題。但李宏毅並沒有悲觀認為人力會百分之百被取代，而是會以新的工作模式出現在職場中：人機共事，也就是透過機器先做好初步的工作，碰到無法處理或難以判斷的困難時，再由人類接手。舉例來說，客戶服務就是一個好的切入點，先由能做到深度學習、了解客戶語意的聊天機器人，處理較為簡單的問題，像是基本規範、操作流程等已經設定好的答案，但當機器人遇到客戶十分個人化的問題時，就會由真實的客服人員協助處理。人機合作的工作方式，有助於降低人力，也能減少每位客服人員應付零碎問題的頻率。從李宏毅的說法來看，事實上，機器學習或深度學習，只是一種手段，仍然要有人來制定目標，決定它應該要做到什麼，並且進一步思考如何設計機器的「腦袋」以及「學習方式」，還要替機器蒐集適合的資料。李宏毅就提到 Google 一個有趣的例子，Google 為了要訓練自己的語音辨識系統，他們曾經找尋專門錄音的公司，提供機器學習的素材。然而，後來他們發現自家產品 YouTube 更有效率，原因是許多人會在 YouTube 上傳有字幕的影片，便成了現成的資料來源，也不需額外花錢請人錄音。這代表要做好一項機器學習的產品，開發的能力固然重要，但能夠發想、設計更有效率的「教材」的人才同樣必要。而走到應用端，如同能夠和機器共事的客服一樣，了解機器的極限，並懂得在適當時機介入，也會是未來需要的人才。不怕試錯、擁抱新知識，是未來工作者最應具備的態度既然機器學習同時帶來希望與人力可能被取代的危機，想要利用這項技術的組織或企業主，應該做好哪些準備？李宏毅提點兩個方向。首先，必須確實了解機器學習需要哪些資源。舉例來說，剛起步的電商網站想要組織機器學習的團隊，負責設計商品推薦系統。然而機器學習在客戶資料還沒有齊全的狀況下，不可能憑空摸索與建立推薦的規則。再來，李宏毅坦承，通常難以預測機器是否真的學到你需要的規則，因此組織必須留下更多時間，檢驗原先蒐集的資料與學習的方式。他比喻，這就像主管帶新人一樣，不可能有完美的管理方法，適用於每一位下屬，勢必會有一段磨合期，找到最好的相處方式。李宏毅強調，通常不會第一次就找到正確的組合，這也延伸到工作者身處機器學習的時代，同樣要具備敢於承認與面對錯誤的心態。最後，問到在研究機器學習領域的過程中，對於自身有沒有哪些幫助，李宏毅表示，因為機器跟人類學習的邏輯，還是有很多差距，在「學習方法」這件事情上，並沒有任何的參考價值，但在「學習態度」上，卻對他有很大的啟發。「我在 2015 年開設深度學習的課程內容，和 2018 年就已經非常不一樣。」他說，雖然第一堂的簡報內容，都是由「為什麼深度學習，會比其他學習技術還要好？」開場，但 3 年前這個問題的答案，還停留在猜測的階段，但數據、實驗現在已經可以證明，深度學習在辨識、分類上的精準度確實更高。因此，這兩項技術帶給他最多的收穫，就是保持不斷學習的態度。他笑著說，這個領域的更新速度，其實是以「月」為單位，或許這個月還在使用的設計方式，下個月就會出現更實用的解法。這也是他提醒工作者最後一件事情，唯有抱持開放的心胸，以及好奇的態度，才是未來具備競爭力的不二法門。傳統寫程式 vs.機器深度學習：大數據分析、資訊產製更精確機器學習和深度學習，相較過去電腦、程式執行任務時有非常顯著的差異，它們會更有效率、聰明地掌握與拆解大量的資料。以下用李宏毅在課堂中，請學生透過深度學習的方法，繪製出指定特徵的漫畫角色為例：傳統寫程式經理人月刊第 167 期過去想要做到影像辨識，必須把所有符合條件的特徵，都寫成規則給電腦或程式。然而，光是「笑臉」，人可能就有千萬種笑法，代表工程師得把全部的笑臉寫入規則中。機器深度學習經理人月刊第 167 期機器了解這些特徵分別對應什麼樣的圖像時，便能自動產製出符合條件的角色圖像。李宏毅台灣大學電信工程學博士畢業，現為台灣大學電機工程學系助理教授。曾擔任中央研究院研究員，並受邀前往麻省理工學院的電腦科學暨人工智慧實驗室（CSAIL），擔任客座科學家。主要研究領域為機器學習、深度學習，讓人工智慧聽得懂人說話。延伸閱讀 \