孫民,Appier首席人工智慧科學家
孫民,Appier首席人工智慧科學家

乘勢而上,把握第三波人工智慧浪潮

人工智慧目前已來到蓬勃發展的重要關頭,人們已經可以看到實際運用第三波技術的場景,意味著機器在各種應用領域中的表現已大幅超越人類力所能及的界限,並開始為企業創造各式各樣的發展機會。在此趨勢下,企業應重新評估其內部運作方式,並將人工智慧融入到日常業務中,以藉此充分發揮人工智慧的潛能。

浪潮進行式:人工智慧正在重塑商業模式

以統計為導向的系統開啟了第一波人工智慧浪潮,其中最著名的例子當屬人工智慧發展初期,Google這類大型網路公司所使用的資訊檢索演算法(如PageRank搜尋引擎的運作原理)。

第二波人工智慧浪潮則涉及更多機器學習相關技術,例如羅吉斯回歸、支援向量機等等。這類技術用途廣泛,可協助處理銀行業務或數位行銷工作。

而第三波浪潮以深度學習為發展核心,且大多應用在所謂的感知人工智慧領域(與人類的視覺、聽覺、觸覺等感知系統有關)。其中語音辨識和影像辨識技術便是以深度學習為基礎,可用於智慧音箱以辨識使用者的指令,或讓電子郵件程式能夠預判使用者後續欲輸入的內容。此外,也可用於手機系統,以方便使用者透過人臉辨識功能解鎖裝置;還可用於強化數位行銷和廣告工具,以協助企業精準預測消費者行為等等。

過去五年間興起的第三波人工智慧浪潮,在上述領域中的表現已大大超越人力所及。

不過,當論及這類技術在現實產品中的應用時,不難發現其精確程度仍會依應用情境的不同而呈現階段性差異。舉例來說,在使用者對準麥克風大聲唸出指令的理想條件下,智慧音箱可輕鬆且準確地辨識該指令的內容。然而當應用於現實生活情境時(例如當房內有其他人同時在說話),卻未必能達到相同水準。人臉辨識技術也面臨著同樣的問題,當使用者正面看向手機時,該技術的辨識效果較佳。相比之下,公共場所的監視攝影機在面對大量人潮,且人臉可能部分被遮蔽的情況下,其辨識精確度便會有所降低。

物體辨識技術也不例外。儘管汽車內建的進階駕駛輔助系統目前已能確實識別周遭的其他車輛和行人,但其辨識能力的效能高低仍需視天氣情況而定:下雨、光線不足或過強的情況都會影響其精確性。

日常生活用品(杯子、電視遙控器、椅子等等)的辨識難度甚至更高,這也說明了為何市面上還未出現家用機器人。至少目前為止還未推出!

高品質資料的重要性

資料是改善深度學習系統的關鍵。規則十分簡單:輸入的資料品質越高,系統的效能就越好。資料越多、效能就越高,但前提是要盡可能使用高品質的資料。

提高資料品質的秘訣,在於讓機器學習的訓練資料盡可能貼近真實應用情境。獲取這類資料的最佳方法便是直接將產品交給顧客,並在取得其同意的前提下,從對方的日常使用經驗中蒐集資料。透過此方式獲得的訓練資料,才能忠實反映出人們使用該產品的真實情況。

Tesla就是一個很好的案例。由於該公司擁有廣大、忠實的電動車客群,所以能藉此優勢蒐集大量資料,並應用深度學習再次訓練其人工智慧模型。其後則將獲取的資訊用於更新,以無線更新軟體技術(OTA)持續傳送到車輛內建的軟體中。換言之,Tesla為其產品建立了一個正向迴路:其蒐集的資料越多,模型的精確度就越高,服務品質也會隨之提升。因此,透過深度學習技術的應用,Tesla不僅能持續改善駕駛安全性並提升產品品質,更可在此過程中不斷向外拓展客群。

當然,與上述案例相反的情況也可能發生:當售出的產品數量越少,可蒐集到的資料便越少,模型準確性的提升速度也會趨緩。因此,該產品在顧客眼中的吸引力便會隨之降低。簡單來說,這是一個「雞生蛋或蛋生雞」的問題。由於人們購買的機器人數量不足,因此消費型機器人的發展速度便比不上電動汽車。這樣的情況會導致企業所蒐集到的資料多來自虛構用例,而非實際的使用情形。換言之,如果不具備基礎客群,那麼可用於分析的真實資料數量便會大打折扣,從而使深度學習失去改善產品或服務的效力。

過去五年間,許多應用領域都曾嘗試使用深度學習這項技術,但始終無法解決「雞生蛋或蛋生雞」這個問題,因此成功的例子寥寥可數。光靠人工智慧並不足夠,企業需結合人工智慧和其他機制,才能有效吸引顧客上門。但話說回來,人工智慧才是真正能為企業創造長期優勢的關鍵。一旦掌握了其運作原理,便有望大幅提升產品品質,繼而進一步對外擴張客群。而這正是讓品牌獨霸一方的最佳方程式。

透過深度學習技術解決部署障礙

第三波人工智慧浪潮也面臨著一些阻礙。

其中之一是因資料蒐集作業而衍生的成本。傳統而言,資料必須受到「監督」,也就是由操作人員確保資料輸入和輸出過程的正確性。例如,在建立汽車預警系統時,需針對汽車、行人、自行車騎士、停車標誌等資料進行人工標記。由於標記工作的成本相當高,因此當某應用領域的規模不足以支撐其所需的標記成本時,深度學習技術對該領域來說便不具成本效益。

好在隨著這門技術的發展日趨成熟,「非監督式」學習已不再是遙不可及的夢想。換句話說,企業只需將重點放在資料蒐集上,而無須擔心後續的標記問題,因為機器本身會自行解決這個難題。如果事實證明非監督式學習在成效上並不亞於監督式學習,那麼擁有一定客群且可取得原始資料的企業,就有機會借助人工智慧的力量來提升業績。換言之,在免除了龐大的標記預算後,由於利潤率相對提高,所以最終仍可達到獲利目的。此外,非監督式學習還有望降低人工智慧的使用門檻,讓更多應用領域可以從深度學習中受惠。

另一方面,特定類型的資料在蒐集上的困難度或成本也相對較高,例如醫學領域的電腦斷層掃描和磁振造影影像。此時,一種名為「遷移學習」的方法也許能派上用場。其作法是將較容易取得的資料類型(例如X光片)知識,遷移並套用到所需的資料類別中。此方法同樣有助於解決成本問題。

那麼,人力方面的難題又該如何克服呢?缺乏相關專業人士往往是企業部署時會遇到的障礙之一,但這樣的情況很快便將不復存在。由於人工智慧的熱門程度讓許多人才趨之若鶩,因此企業無須擔心未來是否有充足的專業人力,可協助提供其業務所需的各種應用技術。

唯有認真地去了解這項技術,管理人員才有可能對症下藥,規劃出足以應對「雞生蛋或蛋生雞」問題的解決方案。另外,除了需考量技術成熟度外,企業還需針對其應用領域進行深入的探究,以藉此在使用者、資料和人工智慧這三大要素中,建立一個生生不息、正向循環的業務模式。

如果能有效融會貫通上述技巧,將有望擁有無限可能。只要乘勢而上,把握住第三波人工智慧浪潮,便能邁向光明的前景!

*準備好迎接第三波人工智慧浪潮了嗎?還是心中仍對運用人工智慧工具充滿疑問、不知該如何制定以資料為導向的決策,從而幫助公司提高行銷效率和投資報酬率?讓我們助您一臂之力!歡迎立即連絡Appier的人工智慧顧問,以便進一步討論您的專屬策略!