 |
|
怎樣更深入自學了解人工智慧？ |
|
陳璿丞醫師
從學界、業界到政府，「人工智慧（AI）」一詞可說人人朗朗上口，當然，醫學上的應用也日益普及，坊間有很多書，都介紹人工智慧在醫療上的用途，在各大醫院，都被拿來當作是願景，或是用來和媒體宣傳。或是在各大醫學會，都會安排幾場關於「人工智慧與醫療」等相關的主題。
然而，對於真正關心「人工智慧」發展的人來說，除了關心，下一步應該怎麼做呢？我覺得，如果真的有心要推動，不只有安排演講，還應該更深入了解。
今年3月初，人工智慧的倡議者Andrew Ng在開放課程網站coursera 上開了一堂「AI for everyone（所有人的人工智慧）」的課，是給非工程師的通識課程，分成四周，但其實影片僅約2個多小時。其中講得非常清楚，能做什麼，不能做什麼、現在發展到哪了？強項在哪？怎麼建一隻AI隊伍、要怎麼做才不要掉隊？這甚至都很適合一直在喊產業升級、轉型、喊要建AIoT聚落的政府官員。可能可以比較清楚知道，究竟，人工智慧是什麼？而不是整天幻想有個跟人一樣的機器人要來搶工作這種話…
什麼是人工智慧？
人工智慧不是你所想的聰明機器人
大部分人以為的人工智慧是「廣泛人工智慧」（AGI，general intelligence），就像一個完整的人可以做很多事；但目前的發展限於「狹義人工智慧」（ANI，narrow intelligence）。
這樣講又太模糊了。舉例來講，就像給一個命令，得到一個答案，如同input A-> output B，這就是目前人工智慧能做的；譬如英翻中、譬如把錄音檔轉文字。這個我們又叫「監督學習（supervised learning）」，這是一種機器學習。大部分我們現在用到的技術都是這種的。
資料
雖然「大數據」這件事大家朗朗上口，但有資料庫、有很多資料不見得就是好。也要看資料能不能用、好不好用。現在的「人工智慧」，大多是把資料A們 -> 給出資料B的結果。資料怎麼來呢？一個就是手動（工人做事）標籤、譬如這是不是一隻貓呢？或是從觀察的資料，還是從網站上撈。
但其實資料是很混亂的，如果有些資料不齊全、有資料打錯了，或是資料沒有整理過，亂七八糟的。根本就無法使用機器學習
機器學習和資料科學
之前社群網站twitter上有流行一段話：「用python寫的叫機器學習；用ppt叫人工智慧」。
雖然只是個笑話，但這代表資料科學的重要。資料科學就是你運用這些程式得到的、觀察到的現象再加以演化成一門知識，才會是資料科學。而這一切圍繞在這些資料、數據的一切方法，我們可以統稱人工智慧。所以常常看得到的「人工智慧」、聽得到的，可以再進一步想想，這則新聞、或是這個組織，要用這個方法做的這些事情，可能嗎？有沒有足夠的方法去支持？
深度學習
上圖這個就是深度學習。也是要從A推論到B。但中間經過很多運算，這每一個圈圈代表一個運算的結果。因為很像腦中的神經細胞，所以我們叫他神經元（neuron），而這個建立的網絡，我們稱之為神經網絡（neural network）。但和真的生物腦神經網絡，一點關係也沒有；目前也沒有任何方法可以去模擬出生物腦。所以深度學習、人工神經網路，就是指 「一組許多的數學等式」，也可以說是一種特定的演算法。
所以AI是什麼？
我們現在指的AI，其實就是人工智慧裡，很多不同工具的泛稱。
現在能做的和拿手的就是可以處理一個簡單的概念，譬如之前提到的英翻中，透過很多很多的資料訓練程式進行「監督學習」，能夠達到高度的準確率，甚至不輸給人類平均的能力，這就是目前能做的。
但是如果說什麼「放射科醫師要被取代了」、甚至「精神科醫師要被取代了」……在可預見的未來還不可能。機器可以讀10000張已經被判斷好的片子，再去學習A->B，也就是看到某一類的片子就告訴你一個診斷。機器也可以讀10000份已經設計過，可以診斷常見精神疾病的問卷，然後學習判斷某個人經過問診後有什麼精神科診斷。
但是，如果AI面對很少張、甚至沒看過的片子，或是透過臨床表徵加圖片，就要AI告訴你可能的推論，這就不可能，這也不是機器學習所擅長的。同樣的，面對複雜，不一定能歸類的個人困擾，AI也不一定能做出區分和判斷，更不用說同理和支持病患。
所以我想要建一隻人工智慧隊伍要怎麼做？
Andrew Ng說，不要想說要取代一個人的工作，而是這些工作裡面，有沒有什麼小任務是可以被做的（也就是不要想取代放射科醫師了，而是有什麼小任務是可以讓機器去做的）；再來是那AI的表現好嗎？需要多少資料？開發這個會多久？
常見的AI開發工具，就不一一介紹了，可以google 一下，大多是python, R, julia等等。
說明語音助理的原理
譬如你跟你的手機說，「嘿，手機，告訴我一個笑話」，他要做的是很多從A->B，再串接他們。 你的手機要先聽出這個「嘿, 手機」，再來是把聲音變成文字，再來是，它可以辨識什麼叫「笑話」，最後去執行「找笑話」的程式。
自動駕駛也是同樣的道理：AI做的是辨認道路、路標與交通號誌、周邊車輛、行人，再決定車輛的速度、轉彎角的參數。 課程中還有講解很多例子、譬如翻譯、語音辨識、機器控制等等原理講解，這邊就不一一介紹了。
AI和社會
目前（2019）AI有什麼侷限、又會引起什麼倫理問題呢？ 在課程的最後也有提到。
譬如新聞常常會看到什麼聊天機器人出現有偏見、歧視的字眼。但其實不是機器人有意識地歧識，而是這是有問題的資料造成的。也就是說，並不是AI會歧視，而是這個社會本身就存在歧視，AI 「近朱者赤」，就被訓練成歧視的樣子，這又是一個AI是「狹義人工智慧」的佐證，目前AI並不能獲得超過他被設計應該有的能力。
之前有也提到，AI無法告訴你為什麼，只會告訴你結果；而且需要大量資料。AI也是可以被攻擊的。只要資料有更動；或是投放大量錯誤的訊息，AI就會出現問題。且目前最成熟的視覺辨識也有許多做不到的地方。
最後，我們要提到的是，AI會影響到很多工作，但也會創造新的工作機會。準備好，它沒有那麼可怕，也還有很多領域需要專業知識，AI只是提供一個機會，在很多地方都可以用新的方法去改善現在的生活
|
|
|
| |
|