休息了一小段時間, 總是該開始寫些我真正想要的東西, 當時選擇到研究所進修, 主要就是對深度學習這個領域相當感興趣, 也嘗試過自行摸索, 但總感覺就是少了些什麼, 後來我覺得, 也許就是少了一個有脈絡的學習吧？！接下來我會開始從比較細節的知識開始整理起, 畢竟這才是我真正想要從研究所帶走的東西。
先岔個題, 聊聊我曾嘗試做過的搞怪玩意兒, 我在前公司主要是負責產品研發, 那時我深深為人工智慧著迷, 所以我很想看看能不能在既有產品上加入點「智能」成分, 當時我負責研發的系統是BPMN流程服務, 那是一個基於工作流程而生的引擎服務, 你可以利用這工具來設計任何符合你工作環境需求的工作流程, 在您身處的環境中, 也許就是公文簽呈、製造流程等, 搭配ERP你可以做到出庫、投料甚至接單生產等自動化, 可以說, 流程引擎將串起你工作環境中的每個節點。
而我希望可以讓流程自動轉送到更正確的地方, 甚至於, 加速每個節點的處理速度, 於是乎, 我會開始記錄每個節點處理不同工作的效率和時間, 接著我會把這些紀錄做萃取和計算, 以此了解每個節點對這工作的重視度, 預測負責人的心理, 得出一套行為模式, 在引擎接到工作後, 以此行為模式來判斷該如何加快節點的處理速度, 避免無意義的閒置。
綜合上述行為, 基礎的人工智慧, 不外乎就是以下這樣：
- 收集資料（Gathering data ）
- 準備數據（Preparing that data）
- 選擇模型（Choosing a model）
- 訓練機器（Training）
- 評估分析（Evaluation）
- 調整參數（Hyperparameter tuning）
- 預測推論（Prediction）
當然人工智慧的領域相當廣泛, 從最廣最廣的層面來看, 就包含了「時間序列與預測」、「圖像辨識」、「音訊處理」、「自然語言處理」、「動態影像處理」等 。
時間序列與預測, 就是我最早最早做出來的土炮預測, 我們針對歷史數據作趨勢分析, 接著做預測分析、風險分析, 甚至推薦引擎等應用。
圖像處理, 則是專做靜態影像的處理, 最常見就是人臉辨識、圖像辨識和機器視覺等, 我也曾嘗試用CNN做了一個模型, 也曾達到不錯的效果。
音訊處理, 則是專做聲音資料處理, 每段聲音其實都有自己的波形, 而這波型就是一個特徵, 最常看到的應用就是語音識別、情感分析和語音搜尋等, 而我們常看到的Siri, 或是先前轟轟烈烈的「甘安捏」,也都有音訊處理的影子存在, 可以特別注意, 影片剪輯的都是同一人講的「甘安捏」。
自然語言處理則是專門處理字詞的領域, 甚至可以往下分為自然語言理解 (NLU), 自然語言生成 (NLG), 而NLU可以再往下分到情感分析、文章摘要, NLG則專注在文本生成。
動態影像處理, 想像一段動態影像, 他其實是由一堆的靜態影像處理, 但你得記住上一個動作和下一個動作的關係, 可以做到動態預測, 近期也有人開始做Deep Fake影像識別, 當然Deep Fake也是動態影像的一塊。
而人工智慧, 其實又不完全是真正擬人智慧, 往下還可分為機器學習和深度學習, 以下是我從網路上找來的介紹圖, 清晰且彼此的關係更能一目瞭然。
從上可以看到AI是個很廣很大的領域, 而機器學習只是其中一個分支, 深度學習則又是機器學習底下的一個分支, 再補充網路上找來的概要。
以下節錄自Wikipedia
Artificial intelligence (AI) is intelligence demonstrated by machines, as opposed to the natural intelligence displayed by humans or animals. Leading AI textbooks define the field as the study of “intelligent agents“: any system that perceives its environment and takes actions that maximize its chance of achieving its goals.
Machine learning (ML) is the study of computer algorithms that improve automatically through experience and by the use of data.
Deep learning (also known as deep structured learning) is part of a broader family of machine learning methods based on artificial neural networks with representation learning. Learning can be supervised, semi-supervised or unsupervised.
簡單來說, AI就是透過機器去達到任何智慧化的目標, 這也是最廣泛的定義, 也是市面上最常見到的詞彙, 傳統上我們用Rule based來實現這個願景, 當然大多智慧化的工具也以此為基礎去發展,而將來我們力求越少Rule越好, 畢竟Rule是永遠寫不完的, 又或者說, Rule是很主觀的, 我們要怎麼讓Rule更客觀？
也就所以ML(Machine Learning)開始嶄露頭角, 就以上對機器學習(ML)的定義, 我們開始透過資料收集, 特徵分析, 來得到更好的Rule, 再用這些Rule來改善我們的工作, 在這裡最重要的特點, 就是我們用資料來驅動我們的方案。
那又為什麼有DL(Deep Learning)深度學習？因為我們希望可以減少特徵分析這個行為, 因為特徵分析是費時又費工的, 且也帶有一定的主觀成分, 故我們希望讓模型(Model), 基本上是多層的類神經網路, 來自動得到特徵, 並將特徵學習起來, 好作為預測依據, 當然深度學習又可以分為非監督式、監督式學習, 差別就在我們怎麼去提示模型取得特徵。
綜合以上, 我的土炮嘗試是屬於機器學習的一環, 我利用傳統的方法把每個節點的使用歷程記錄下來, 然後設定一定的Rule來分析和萃取歷程, 在用分析萃取完的結果來預測這個節點將來要怎麼面對剩下的工作; 在進入研究所後, 我開始接觸深度學習, 並以自然語言處理作為研究主題, 往後則將開始記錄在這門研究上我需要用到的知識和技術。
我們要過的精彩, 肯定得充滿期待。