AI新時代 — 「人工智能」、「機器學習」、「深度學習」 到底是什麼？
講師：Jay Tang
在中國完成高中學業後，Jay赴美就讀UCLA，克服語言障礙，於畢業後取得18間大公司的offer，最後選擇Intel作為職業生涯的開端。繼Intel之後，Jay也陸續任職於許多知名企業，包括SanDisk、Western Digital、Facebook等，更在過程中由技術崗位轉至PM角色，負責許多高額業務。在職場打滾幾年後，Jay再次回到校園，除了自身攻讀UC Berkeley Haas 商學院碩士學位，也成功輔導多位學生進行專業轉型。
這次我們邀請到Jay為BPCS學員們帶來AI的入門課程，以淺顯易懂的方式簡單介紹AI的概念、原理、和應用。
AI 的種類 （名詞定義）
在開始之前，Jay首先為我們釐清了AI相關常見詞彙之間的關係，包括人工智能（artificial intelligence）、機器學習（Machine Learning）、深度學習（Deep Learning）。
《不專業超白話翻譯》
人工智能 (Artificial Intelligence)：機器模仿人類行為和思考進行理解和反應。
機器學習（Machine Learning）：電腦程式利用大量數據進行分析獲得規律，以模仿人類思維進行推理和反饋。
深度學習（Deep Learning）：電腦程式試圖以多層次的非線性模型進行學習並給予反饋。
人工智能 （Artificial Intelligence）
現今的人工智能，應用領域僅限於重複性的勞動工作，例如下棋、電腦遊戲、股票交易等。因此，現階段的AI僅能被稱為「弱人工智能」（Artificial Narrow Intelligence, ANI）。而未來的發展趨勢將朝向「強人工智能」（Artificial General Intelligence, AGI）邁進，目標將著重於讓機器也有學習、計畫、引申的能力。最後，在未知的將來，或許會有「超人工智能」(Artificial Super Intelligence, ASI）的產生，突破既有框架、超越人類智能範圍，領向更高層次的思維模式。
機器學習 （Machine Learning）
資料->擷取特徵->套入模型(給定）->產出
建立在人工智能的概念之上，機器學習得以利用廣大的數據資料庫進行圖像辨識、預測（天氣推估、股票預測等）、和自然語言處理（開發中）。而目前應用最廣的領域則是「圖像辨識」。機器可以透過數據整合、特徵工程、模型訓練、模型評估等步驟，達到辨識的效果。然而，圖像辨識的精準度仍是一個具不確定性的因子，詳見以下範例。
深度學習（Deep Learning）
資料->擷取特徵並生成模型->產出
深度學習和機器學習的最大差異，在於自主性和複雜度。
深度學習強調多層次非線性的分析，利用層層網絡進行連結和學習，進而產出最後結果。
可想見的，若提供的數據量越大，演算過程越複雜，產出也將越精準。如此的演算過程可被稱為hidden layers，也因為其演算的精密和複雜，過程並非人類所能輕易回推的。
心得感想
AI 和數位科技，將帶來人類歷史中的「第四次工業革命」。
AI的技術應用非常廣泛，而目前評估未來將會受最大影響的五大產業為：汽車業、製造業、零售、醫療服務、以及銀行業。在這五大產業中，人中智慧將被廣泛應用於提升製造生產流程之效率、由客戶洞察強化銷售、最後提升客戶消費體驗。其三項應用的最大共通點為：強調高精密度細節。舉例而言，汽車業將不在單純是製造業（manufacture），在AI的風潮下，他將會變向轉型為服務業（mobility as a service）。而這樣精密化的需求也造了生產線回流的趨勢，據推估，廠商會紛紛從原本勞力密集型地區，轉移陣地往高技術地區設廠發展。
在這樣數位轉型的趨勢下，原本的勞力市場也將面臨巨大的轉變。智慧工廠固然新穎、高效率、且高效能，但是背後的隱憂將會是員工必須積極進行re-skilling，否則被機械淘汰將是可預見卻不樂見的景象。而學長告訴我們，面對數位轉型，我們必須在未來想辦法讓自己具備「顯著差異化的價值」，而且這項價值必須是機械無法取代且無法透過演算法學習的。
上完Jay的AI入門，我再次深刻地感受到產業的趨勢變化正在發生。它是一股無法忽視的力量，牽動著每一個大大小小的產業。在未來，我們的競爭對手除了彼此，還有高科技的產物。面對這樣巨型的變化，我們改如何事先調整學習方向和技能以因應，便是一項充滿挑戰且未知的課題。
