很久很久以前，愛之味牛奶花生湯有個經典廣告
吳念真跟阿嬤得意推銷：這是電腦揀的喔！
阿嬤吃驚：電腦嘛ㄟ揀土豆！
這是80年代的台灣，電腦對於大多數的人來說非常非常遙遠，大概只比發射衛星近一點，好啦！其實沒那麼遠，但電腦應用的確不普及。
到現在呢？這是一個很常見的AI應用：利用電腦分類農產品的等級，用的關鍵技術就是影像辨識，使用情境很多元，從判斷番茄是否生病啦？到捕撈到的是什麼魚？甚至是看起來都長得一樣的樹都可以藉由影像辨識來告訴你！這說來頗為神奇，20年前的廣告台詞已經很成熟地應用在我們的生活中，這就是機器學習Machine Learning！讓電腦來學習人類的技藝和知識，好讓機器代勞這些繁瑣規律的工作。比方說挑揀土豆！
如何教會電腦『辨識』的工作呢？
將人類學習過程套用到電腦學習！回想童年的我們都如何學習應付考試呢？
其實就是唸書 ->寫習題 ->考試->訂正考卷的過程，透過多次小考反覆練習之後，期待大考時的一鳴驚人。所以，教導電腦學習也是相同流程
機器學習，白話來說：資料科學家擔任老師的角色，將人類寶貴經驗灌注電腦
第一步，準備教材！希望電腦學什麼就準備什麼樣的資料
電腦要學會的是題目是：辨識土豆
- 弄清楚老師要考什麼題型？
區分好土豆？壞土豆？
還是要更細緻一點的分級：不同等級的土豆？
2. 標準答案是什麼？
切莫忘記！準備很多資料的同時，一定要附上正確解答，沒有正確解答的習題等於白白練習。
這時候，需要很多農業專家來幫忙定義何謂好壞之分，分級的標準為何？
習題越多，電腦當然就學得越好，所以需要大量有標準答案的資料
再來呢！挑選適合的演算法/教學方法，就是所謂的因材施教
目前影像辨識的主流演算法是CNN（以及CNN的各種優化變形，可以參考這篇https://medium.com/cubo-ai/物體偵測-object-detection-740096ec4540），這些技術在這十年之內都進展神速，各種程式語言有很多寫好的套件可使用。
接下來，開始機器學習的旅途上，務必注意以下兩個問題，因為眾多實務經驗失敗經驗中，演算法可能不是最關鍵的，而是.....資料品質。嚇到了吧？成敗關鍵居然不是神秘黑盒子。
所以，請緊緊抓住兩個關鍵問題，馬上為你贏得Respect！
1. 標注資料量是否足夠
Practice makes perfect，熟能生巧，練習多次才能趨近完美，電腦亦然，所以資料科學家必須準備很多的圖片教材，並附上正確解答，才能幫助電腦學習到正確知識。沒有習題的解答就無法知道學習成效如何。對機器學習來說，附上正確解答就是標注資料。
2. 預期的正確答案是什麼？
若只教電腦學習辨別土豆等級，萬萬不可期待能辨別番茄是否生病了，因為訓練資料都是土豆沒有番茄，對電腦來說番茄就是課外題，如同非母人士練習英文再如何熟練，突然丟出韓文，絕大部分的人只會也會當場當機而，換言之，訓練資料如果只有十種答案，結果就只會有十種答案，不能再多！電腦給出預期之外的答案應該是程式寫壞了，機器學習的是人類給的正確答案，人類不知道的答案，電腦當然不知道。
接下來，再延伸思考，影像辨識發展如此成熟，辨識蕃茄和土豆根本就是一塊蛋糕了，那那那……可以辨識腫瘤嗎？這豈不就是AI醫生了，對機器學習來說，的確是相同訓練流程。為何至今AI醫生還不普及呢？
關於 AI 的『能』與『不能』，這故事說來話頭可長的呢.......
資科科學小教室，我們下次見！
