AI讀書心得：人工智慧在台灣 – 產業轉型的契機與挑戰

陳昇瑋博士是台灣人工智慧學界名人，除了是中研院院士與台灣人工智慧學校的CEO，也致力於人工智慧的產官學合作、落地化應用，不是純學術的學者，而是入世科學家。不幸的是，陳博士於今年因意外離世，無法繼續完成他的夢想。這本2019年出版的著作說明他對台灣AI產業發展的理想，也以淺顯易懂的文字介紹人工智慧為何？就算完全不懂程式，也能輕鬆理解概論，如果你是開發者，也能從此書了解產業脈絡與實務應用。
總結來說是一本人人必讀的AI通識書，以下節錄一些重點和想法。

AI進程

AI浪潮在過去發生過兩波，但後來都冷卻掉，新一波在2010年後由圍棋大師：Alpha Go引爆第三波熱潮，受惠於算力強大的晶片、大數據基礎、演算法成熟的天時地利人合，許多以前表現不如預期的項目，如影像辨識、語音辨識，都有突破性的進展，且在產業界有成功應用，如醫療判讀、產品瑕疵檢測，讓許多科學家斷言這波AI浪潮和以前不一樣了，不再空有理論，而是逐步影響人類的生活。

不過目前的AI仍屬『弱人工智慧』，也就是無創造力的AI，其學習完全依賴人類輸入的資料，具主動思考、感情的『強人工智慧』在短期(50年內)連影子都沒有，且無法用目前機器學習演算法來發展，應該會以另一套新技術來發展，所以科幻片如西部世界或全民公敵的情節、一大堆工作被取代的推想，純屬想像，目前只有重複性高的工作如客服、檢測員、駕駛等重複性高的工作會被逐漸取代，其他行業趨勢為人機合作。

機器學習簡單分

監督式學習：人類先標註label，如標註是狗還是貓，讓電腦填鴨式學習，目前90%算法都用這。
非監督式學習：不先標註label，讓電腦自動去依照變數去分群，資料科學家再判讀分群結果的意義，讓電腦學習自己去分類。
深度學習：機器學習演算法的一隻，與一般機器學習差異在，不用先人工作特徵擷取(做指標)，讓電腦去找特徵，如不用給電腦看KD值，只丟價量資料讓電腦自己生成指標。在降低人為涉入

AI產業化的難題

以前硬體是問題，現在晶片算力強、伺服器便宜，現在比較麻煩的是資料和人材問題。

技術債-資料處理基礎建設:

沒有資料，演算法再強也沒用，大數據不是量多就好，質量更重要，不然做出來的只是自己爽的Trash。
陳博士蠻多youtube影音資源可看，有一篇就在說醫學資料label標註的問題，若視網膜影像只給一位醫生標註有無病變，誤差率很高，同一張圖給33位醫生看，只有60%影像是看法全部一致，可見1.資料要給數位專家多數決標註、2.人類判讀不穩定性很高，但要請專家來標註資料，這成本可不低，企業會願意花錢處理資料嗎？

截自陳教授演講：https://www.youtube.com/watch?v=OddYM6aq-zM

另外具筆者工作經驗，許多企業ERP、CRM、EC外包給多廠商做，資料庫系統與格式都不同，光日期就有好幾種格式，或是沒有埋紀錄使用者操作的程式，在後來想導入AI推薦系統或精準行銷時，會在資料處理和搜集遇到困難，有多少企業願意先花大把時間還完技術債？

AI人材困境

現今AI人材供需失衡，且技術迭代太快(畢業3年後，原先技術就偏老)，要找有產業經驗加懂最新演算法的很難，因為剛畢業的新鮮人沒經驗、產業老鳥沒太多時間學新技術(台灣習慣省人力成本，老闆很難放你平日丟下工作去學新技術)，台灣仍以硬體代工為王，純軟工的企業待遇差國外一大截，造成人材不是往豬屎屋跑，就是遠走高飛，上市櫃軟體企業多做代理、維護追求短期獲利，無論是演算法開發、雲平台服務都落後國外甚多。

作者指出企業計畫導入AI時，必須由上而下的支持，AI專案不能用傳統KPI定義績效，經理人須掃除管理障礙，因為初期會花很多時間還技術債和試誤，應該用投資新創以小博大的視角來評斷，如投入獲利的10%來養AI拚未來趨勢領先權，若成功，報酬率會很高;若失敗，也不影響太多主體獲利。
經理人不一定要很懂程式，但一定要對AI適合解決哪些問題、企業待解決問題的優先權、跨部門整合溝通有足夠理解。
資料量缺乏、不可知情境多的，機器學習能幫助的就有限。