Artificial Intelligence

What it is and why it matters

人工智慧 (AI) 讓機器能夠從經驗中學習、配合新的輸入訊息做調整,並執行仿人類的工作。現今所聽到的大多數 AI 範例 (從會下西洋棋的電腦到自駕車),在很大程度上仰賴 深度學習自然語言處理 技術來實現。運用這些技術,可以訓練電腦,透過處理大量的資料和辨識資料中的模式,來完成特定的工作。

人工智慧的歷史

人工智慧一詞是在 1956 年創造出來的,但是隨著資料量的增加、先進的演算法和運算能力與儲存技術的進步,現在 AI 變得越來越流行。

1950 年代的早期 AI 研究,探索主題包括問題解決和符號化方法等。在 1960 年代,美國國防部對這類研究產生了興趣,開始訓練電腦模仿基本的人類推理能力。例如,美國國防高等研究計劃署 (DARPA) 在 1970 年代,完成了街道地圖計劃。而遠在 Siri、Alexa 或 Cortana 家喻戶曉之前,DARPA 就已經在 2003 年創造出智慧型個人助理。

這項早期的研究,為現今電腦中的自動化和形式推理能力奠定了基礎 (包括決策支援系統和智慧搜尋系統,這些系統可設計用來補足和擴增人類的能力)。

雖然好萊塢的電影和科幻小說,將 AI 描繪成接管世界的仿人類機器人,但 AI 技術目前的發展並沒有那麼可怕,或者說並沒有那麼聰明。AI 技術演進到現在,反而為所有產業帶來了許多專屬效益。請繼續閱讀現代範例,瞭解人工智慧在醫療保健和零售業等產業中的應用。

Chess board and Neural Network graphic

1950s–1970s

神經網路

神經網路的初期發展階段,讓人們開始對「思考的機器」萌發興趣

Shapes and arrow graphic with classical and modern machine learning

1980s–2010s

機器學習

機器學習開始蔚為風潮

Binary code on dark background with magnifying glass graphic

Present Day

深度學習

深度學習的突破驅動AI迅速發展


多年來,AI 一直是 SAS 軟體不可或缺的一部分。現在,我們協助每個產業中的客戶充分善用 AI 技術的進展;我們也會繼續在 SAS 產品組合的各種解決方案中,內建機器學習和深度學習等 AI 技術。 Jim Goodnight, CEO, SAS in meeting Jim Goodnight CEO SAS

人工智慧與機器學習

請觀看這部影片,瞭解 AI 和機器學習之間的關係。此影片將透過範例和有趣的旁白,來說明這兩種技術的運作方式。

此外,這部影片用淺顯易懂的方式介紹人工智慧,因此也非常適合介紹給親友觀看。


人工智慧為何重要?

  • AI 會自動透過資料進行重複學習和探索。 但 AI 與硬體導向的機器人自動化不同。AI 並非自動完成人工作業,而是可靠地執行大量、頻繁的電腦化工作,但永遠不會疲勞。這類的自動化作業仍需要人為的探究,以設置系統和提出對的問題。
  • AI 為現有的產品加入了智能。在大多數的情況中,AI 不會以單獨應用程式的形式銷售。反而是使用中的產品,將會改良加入 AI 功能,就很像新一代的 Apple 產品加入了 Siri 這項功能。自動化、對話平台、機器人和智慧型機器可以結合大量的資料,來改善家庭和工作場所中的許多技術 (例如從資安情報到投資分析等技術)。
  • AI 會透過漸進式學習演算法,讓資料進行程式設計。AI 會找出資料中的結構與規律,讓演算法獲得技能:演算法成為分類器或預測器。因此,正如演算法可以教自己如何下西洋棋,演算法也可以教自己接下來要在線上推薦哪一項產品。模型會在獲得新數據時進行調整。反向傳播演算法是一項 AI 技術,可讓模型在第一個答案不太正確時,透過訓練和新增的資料來進行調整。
  • AI 會利用許多隱藏層的類神經網路,來分析更多和更深度的資料。 在幾年前,建置一個具有 5 個隱藏層的詐欺偵測系統,幾乎是不可能的事。而令人難以置信的電腦運算能力和大數據,改變了這一切。您需要大量的數據來訓練深度學習模型,因為這些模型會直接從資料學習。提供給模型的數據越多,這些模型就會變得越精確。
  • AI 會透過深度類神經網路實現出色的精確度 ,這在之前是不可能做到的事。例如,使用者和 Alexa、Google 搜尋及 Google 相簿的互動,都是根據深度學習技術來進行,而使用越頻繁,這些服務就會變得越精確。在醫療領域中,深度學習、影像分類和物體辨識的 AI 技術,現在可以用來在核磁共振成像 (MRI) 的影像中找出癌症,精確度幾乎與訓練有素的醫事放射師相當。
  • AI 能夠讓資料發揮最大的作用。 當演算法能夠自我學習時,數據本身就可以成為智慧財產。答案就在資料當中;您只需要運用 AI 技術來找出答案。數據的角色現在變得比以往任何時候都更加重要,因此可以創造競爭優勢。如果您在競爭激烈的產業中擁有最佳資料,則即使每個人都採用類似的技術,最佳資料將會勝出。

WildTrack 與 SAS:一步一腳印,拯救瀕臨滅絕的物種。

像獵豹這樣的旗艦物種正在消失。有了這些物種,地球上所有的生物才能維持生物多樣性而存活。WildTrack 正在發掘人工智慧在物種保育中所能創造的價值,人工智慧可以採用和原住民追跡者相同的方法,來分析動物的足跡,以保護這些瀕危的動物免於滅絕。

現今世界中的人工智慧

AI 應用於所有產業

一窺究竟,瞭解採用 AI 技術的醫院、AI 輔助的零售商店,以及會說話的預測分析系統。這份《哈佛商業評論》的報告檢視 AI 目前的發展狀況、AI 員工,並解釋您不應咒罵 Siri 的原因。

AI 與物聯網

數據無所不在。物聯網 (IoT) 與感測器擁有運用大量數據的能力,而人工智慧 (AI) 則可學習資料中的模式,以自動執行工作,進而實現各種商業利益。

將 AI 整合到您的分析程式

為了能夠有效運用 AI,重要的是將 AI 相關的策略,納入您較大範圍的商業策略,而且務必將人員、流程與技術的整合納入考量。

分清楚炒作與現實

SAS 執行副總裁暨技術長 Oliver Schabenberger 表示,AI 有助於將「更高的智能融入機器」,但是並未佔領世界。

人工智慧的應用

所有產業對 AI 的功能都具有高度的需求,尤其是問答系統,可應用於法律協助、專利搜尋、風險警示和醫療研究。AI 的其他應用包括:

醫療保健

AI 應用程式可提供個人化的醫療和 X 光判讀。個人健康照護助理可以扮演人生教練的角色,提醒您服藥、運動或吃得更健康。

零售業

AI 提供虛擬購物的功能,可給予個人化的建議,並且和消費者討論購買選項。庫存管理和站點配置技術,也可透過 AI 改善。

製造業

AI 可以分析從互聯設備串流傳來的工廠物聯網資料,運用循環式網路來預測預期的負載和需求;循環式網路是一種特定的深度學習網路,搭配序列資料使用。

運動賽事

AI 可用來擷取賽事現場的影像,並提供報告給教練,建議如何更理想地規劃比賽,包括配置最佳的場上位置與策略。

Working together with AI infographic

與 AI 共事

人工智慧並非用來取代人類,而是可以擴增人類的能力,讓我們做得更好。由於 AI 演算法的學習方式與人類不同,因此對事情的看法也不同。AI 可以看到我們所忽略的關係和模式。這種人類與 AI 的合作關係,創造了許多機會,包括:

  • 為目前尚未充分利用 AI 的產業和領域,提供分析技能。
  • 提升現有分析技術的效能,例如電腦視覺和時間序列分析。
  • 打破經濟的藩籬,包括語言和翻譯的障礙。
  • 擴增人類現有的能力,讓我們做得更好。
  • 為人類提供更精闢的見解、更深度的理解和更強的記憶等能力。

使用人工智慧帶來了哪些挑戰?

人工智慧將會改變所有產業,但我們必須瞭解其限制。

AI 的主要限制,就是從資料學習。將知識附加上 AI 沒有其他的方法。這代表如果資料中有任何的不正確,都會反映在結果中。而且其他任何的預測或分析功能層,都必須另行添加。

現今的 AI 系統會接受訓練,完成明確定義的工作。會玩撲克牌的系統,就不會玩接龍或西洋棋。會偵測詐欺的系統,就沒辦法開車或提供法律建議。事實上,會偵測醫療保健詐欺的 AI 系統,無法正確偵測稅務詐欺或保固詐欺。

換句話說,這些系統極為專精,只專注於完成單一任務,遠不及人類的表現。

同樣地,自我學習系統並非自主運作的系統。在電影和電視節目中所看到想像中的 AI 技術,仍然只是科幻小說。但是,電腦能夠探勘複雜資料來學習和完美執行特定工作,已經變得越來越常見。

SAS® Visual Data Mining and Machine Learning screenshot on monitor

SAS®視覺資料探勘與機器學習

如果可以在單一產品中準備好分析用的資料、使用現代化的機器學習演算法來建立模型,並且整合文字分析功能,AI 就會變得更簡單。此外,您也可以整合SAS以及其他語言 (包括 Python、R、Java 或 Lua),為專案撰寫程式碼。

人工智慧的運作方式

AI 的運作方式,是結合大量的資料與快速、迭代處理的智慧演算法,讓軟體能夠從資料中的模式或特徵自動學習。AI 是一個廣泛的研究領域,其中包含眾多的理論、方法和技術,以及下列的主要子領域:

  • 機器學習 會自動建置分析模型。此項技術運用類神經網路、統計學、作業研究和物理學的方法,來找出資料中隱含的深入洞察,而不需明確編寫程式,以指示如何進行搜尋或得出結論。
  • 類神經網路是一種機器學習技術,由互連的單元組成 (就像神經元),這些單元會藉由回應外界輸入、在各單元之間轉傳資訊,來處理資訊。這個過程需要多次處理資料,以找出連結,並且從未定義的資料推衍出意義。
  • 深度學習會使用具有多層處理單元的大型類神經網路、善用運算能力的技術進展和改良的訓練技術,針對大量的資料學習複雜的模式。常見的應用包括影像和語音辨識。
  • 認知運算是 AI 的子領域,追求與機器進行自然、擬人化互動。運用 AI 與認知運算的終極目標,是要讓機器透過解讀影像和語音的功能,來模擬人類的處理能力,然後說出連貫的流暢應答。
  • 電腦視覺採用模式辨識和深度學習技術,以辨識圖像或影片中的內容。當機器能夠處理、分析和理解影像時,就能即時擷取影像或影片,並解讀周圍的環境。
  • 自然語言處理 (NLP) 是電腦分析、理解和產生人類語言的能力,包括語音。NLP 的下一階段是自然語言互動,這可讓人類使用一般日常的語言來和電腦溝通,以執行工作。


另外,還有幾項技術實現 AI 並提供輔助:

  • 圖型處理器提供進行迭代處理所需的強大運算能力,因此成為 AI 技術的關鍵。訓練類神經網路需要大數據加上運算能力。
  • 物聯網 的連網裝置產生龐大數量的數據,大部分都未經分析。運用 AI 所產生的自動化模型,將可讓我們對這些資料進行更有效的利用。
  • 進階演算法正在開發中,並以新的方式結合和運用,更快在多個層次分析更多資料。在找出和預測罕見事件、瞭解複雜的系統,和針對獨特的情境進行最佳化時,這種智慧處理功能可說是至關重要。
  • API (或應用程式處理介面), 是可攜式程式碼套件,可讓使用者在現有的產品和套裝軟體中加入 AI 功能。API 可以在家庭安全系統中,加入影像辨識功能和描述資料的問答功能、製作字幕和標題,或是叫出資料中有趣的模式和深入洞察。

總而言之,AI 的目標是提供軟體,此軟體可根據輸入(input)進行推理,也可解釋輸出(output)。AI 將會提供與軟體的擬人化互動,以及特定工作的決策輔助,但 AI 並非用來取代人類,在短期內也不會發生這種情況。

Read More About This Topic

Content is loading

Back to Top