首頁 > 設計好問題 成功用AI
:::

設計好問題 成功用AI

AI熱潮席捲全球,甚至被譽為第四次工業革命,各行各業積極投入AI轉型,帶動AI學習熱潮,那麼到底誰應該來做AI呢?蔡炎龍教授說:「每一個人應該都要來做AI,每個人都可以做AI」。
 
 

AI熱潮席捲全球,甚至被譽為第四次工業革命,各行各業積極投入AI轉型,帶動AI學習熱潮,那麼到底誰應該來做AI呢?蔡炎龍教授說:「每一個人應該都要來做AI,每個人都可以做AI」。

 

問對問題,AI就能幫你解答

 

在《AI經濟的策略思維》一書當中,直指現代AI核心就在預測,蔡炎龍教授說明,在AI預測之前,人類要先問一個問題,而這個問題就是專業領域的問題,有了問題之後,將之化成數學函數的形式,最後架構神經網路,打造一個函數學習機,成功的話,就可以讓AI幫助我們做出合理的預測。

 

有什麼問題可以問、要怎麼問呢?股票是人人都關切的議題,比方說想知道某一支股票在某一個開盤日子的收盤件是多少?也許可以建立一個簡單的函數,輸入某一天的日期,然後AI輸出預測的股票收盤價,不過蔡炎龍教授說明,這樣的函數不太好,首先我們必須要相信所輸入資訊是可以推測出合理的結果,只有日期這個資訊太少,人類很難相信的所預測的收盤價是合理的,比較合理的作法,可能是輸入前一周的情況來預測下一周的某一天。

蔡炎龍教授所指導的學生專題,預測某位MLB選手在下個球季可以打幾支全壘打,起初學生輸入前一年球員的全壘打數來預測下一年,結果不準,後來再利用RNN記憶型神經網絡,輸入10年的打擊資料預測下一年全壘打數,結果還是不準。

 

蔡炎龍教授表示,「只要換個問問題的方式,原本不能做或不容易做的問題就可以做」。影響全壘打的變因太多了,很難達到精準預測,但是如果將問題從「有幾隻全壘打」換成「全壘打數落點區間」,就比較能夠獲得合理預測,變更問題後的實作成果,經過2017年賽事證明,是具有很好的準確度。

 

不只會預測,還會創作和玩遊戲

 

另一種問題,是希望AI能夠幫助創新或創作,比方說希望讓電腦創作一首曲子,可以利用生成對抗網路(GAN),透過兩種的神經網路,先將所謂的「靈感」,也就是歌曲資訊輸入電腦,隨機產出一段小曲子,再用另外一個神經網路來判斷像不像是一首曲子,GAN最知名的實例,就是2018年NVIDIA利用真實明星的照片資料,創造了一群以假亂真的明星照。

 

讓電腦學會玩遊戲是人工智慧非常重要的里程碑,Alpha Go已經不稀奇,現在的電腦,已經可以玩星海爭霸、雷神之槌、Montezuma’s Revenge等網路遊戲,蔡炎龍教授表示,讓電腦玩遊戲,最困難的問題就是人類可能也不太會玩,難以準備給電腦的學習資料,但後來利用強化學習(reinforcement learning),簡單來說就是將動作評分,這每個動作會導致好或不好的結果,藉此訓練AI。

 

蔡炎龍教授還提到,語意辨識也是AI發展的困難點,對於電腦而言文字只是編碼,可是一個字、一個詞在不同的地方可能是不同的意思,例如:我天天都會喝一杯咖啡、這個人的個性有點天天,這兩句的天天的意思是不一樣的,但是電腦分不出來,不過最近兩年已經有非常多技術的突破,可以解決語意上的問題。

 
 
推薦文章