十年養成玉山AI力,下一步瞄準零接觸金融
為實現「科技的玉山」目標,玉山培養千人科技聯隊,其中包括資訊處800人組成的「神經系統」、智金處100人組成的「AI大腦」
文/王若樸 | 2021-08-16發表
.
今年5月疫情爆發,政府啟動勞工紓困專案,「短短幾天,玉山就湧入數十萬件申請案件!」玉山銀行董事長黃男州回憶。
但在短時間內,玉山就一條鞭消化這些爆量申請,撥出60、70億元貸款,甚至不動用大量人力就能完成。他們靠的是機器人流程自動化(RPA)和AI,自動審核超過80%的申請案件,黃男州驕傲地說:「這就是科技的力量!」在這之中,AI更是一股重要力量。
比如2年前,玉山已開始將AI落地到金融服務中。他們自建信用卡盜刷偵測模型,0.1秒就能判斷信用卡是否被冒用,一天用上數十萬次,一年更省下上億元的損失。
不只如此,他們也自行開發理財認知偏好推薦AI 模型,能根據客戶承受風險等級和交易紀錄,在7秒內推薦最合適的5檔基金。
就連貸款,也高度仰賴AI。玉山利用機器學習打造零人工介入的線上貸款流程,最快58秒就可撥出款項。在風控領域,更用AI加速黑名單掃描、風險評估,甚至是辨識詐騙帳戶,精準度還比傳統人工方法高出40倍。
玉山AI力不是一夕成軍,而是十年養成
玉山AI遍地開花,可不是一夕成就。
回到2012年,玉山啟動第三個十年目標,要從服務的玉山、專業的玉山,邁向科技的玉山。那時,原本100多人規模的玉山資訊處,已開始大動作延攬人才,成為玉山千人科技聯隊的濫觴。
在技術研究和實作方向上,也開始轉變。2013年,玉山大舉將資料分析成果應用到數位業務,兩年後更成立創新發展中心(IDC),來觀察新技術。
那一年,2015年,玉山進一步調整關鍵組織,一方面專注發展新業務領域,一方面將AI技術落地到實務場景中。他們成立數位金融處,設置全臺第一個金融數位長職位,來專攻數位金融服務。數金處瞄準普惠金融、場景金融和智慧金融三大目標,要讓金融如水電便利、走到顧客生活中,還要用AI來優化服務流程。
這也是首次,AI罕見地出現在玉山重要業務組織的任務中。數金處誕生後,也成為科技聯隊一員。
不只調整組織,玉山在基礎建設上,也往AI靠攏。2016年,玉山開始設計新核心系統、制定4年汰換上線計畫,除了將老舊的程式語言COBOL,汰換為時下熱門的.NET和Java語言之外,更重要的是,將原本大型主機的「大核心」模式,轉換為小核心的微服務架構和開放式平臺。如此一來,玉山就能更快速更迭服務,也更容易共享資料,讓後續的AI模型開發更便利。
2017年,玉山進一步著墨新技術研究。他們成立創新實驗室(Innovation Lab),來鑽研AI、區塊鏈、身分辨識、電子支付等前瞻技術,同時下設研發、商轉、顧問和育成四大中心,來鞏固技術人才資源佈局。
2018年,迎來了玉山AI力養成的關鍵轉捩點。
當時,他們率先全臺成立科技長辦公室,定調金融AI發展藍圖,還終止多個不乏達上千萬元等級的專案,改將資源投注在AI上。那年,玉山開始打造自家機器學習即服務(MLaaS)平臺,成為後來AI落地的關鍵基礎設施之一。
但設立科技長辦公室還不夠。2019年,玉山還成立專責單位,將運作十多年的大數據分析團隊CRV,正式轉型為負責開發AI應用的智能金融處,成為內部AI供應商,要將AI融入到玉山各個業務中。
這兩個組織,也陸續成為玉山科技聯隊的核心成員,形成科技聯隊資訊處、數金處與智金處的鐵三角架構。至此,玉山AI組織到位、關鍵團隊正式成形,成為「科技的玉山」中一股重要推力。
神經系統、AI大腦相互分工,下一步瞄準零接觸金融
這個科技聯隊規模達上千人。黃男州進一步解析,科技聯隊有四大成員,包括800多人組成的資訊處與信用卡處IT團隊、100多人的數位暨客群處、100多人的智金處,以及30人的資安處。
如果資訊處是玉山的神經系統,負責串起各種業務流程,那麼,智金處就是「玉山的大腦系統。」黃男州比喻,這個AI大腦專門解析大量資料,用機器學習將資料轉化為有益業務的AI系統,優化服務。
而玉山之所以敢大力嘗試AI,是因為科技聯隊中,有個扮演「煞車角色」的資安處。這個部門規模雖小,但負責檢核IT應用安全性,成為創新的煞車。黃男州甚至形容:「如果沒有煞車,大家只會慢速前進!」正因為有它,科技聯隊才敢加速,才敢創新,甚至是嘗試AI新技術。
不只如此,對玉山AI大腦來說,他們還有顆很重要的強韌「心臟」,也就是去年上線的新核心系統。黃男州指出,開放式新核心平臺主打交易、會計分離,能處理更大量的交易,與一年前相比,交易量成長可達50%,尖峰時段甚至更高。
這對AI大腦有著深遠影響。因為,更多的交易量,意味著更多的資料,「大腦也就更聰明。」
他甚至直言,核心系統上線後,迎來了AI應用大爆發的寒武紀:在行銷面,AI可以找出顧客下一個最需要的產品、分析顧客生命周期對玉山的整體貢獻,在風控面,AI可以快速掃完幾百份報紙、找出關鍵名詞建立黑名單,也能快速揪出信用卡盜刷交易、即時阻擋。
甚至還能優化客服中心,「客服通話一定要真人嗎?人工語音也能回答很多問題,」黃男州還舉例,透過語音轉文字,還能大規模檢驗客服品質、改善客戶服務。
不只如此,對他來說,AI還能自動化更多流程,舉凡財富管理、申請貸款、開戶等原本需要人工處理的業務,都包括在內。玉山也預告,零接觸金融是他們下一個發展目標。
玉山金控科技長張智星更透露,未來還要以NLP為核心,來發展AI客服,以及其他金融業務的流程自動化;只要主管機關開放,玉山就會用技術力轉化為零接觸金融服務。
這些遍地開花的AI應用,不是偶一為之。在各種AI服務落地前,玉山早已大動作重整組織、調整文化,組成100多人的AI開發團隊,來打造專用技術平臺,提供源源不絕的AI活水。接下來,我們將從戰略面、組織面、技術面來剖析玉山AI力。
AI如何成為科技玉山的重要力量
2012年
啟動第三個十年目標:科技的玉山
2013年
開始將資料分析成果運用到數位業務
2015年
成立創新發展中心(IDC),研究新技術;成立數位金融處,設置全臺第一位金融數位長,瞄準普惠金融、場景金融和智慧金融,要用AI槓桿優化金融服務
2016年
開始設計新核心系統架構、擬定4年上線計畫,要從大型主機的「大核心」邁向微服務架構的「小核心」,該架構也讓資料分享更容易
2017年
成立創新實驗室(Innovation Lab),研究區塊鏈、AI、身分辨識、電子支付、大數據和AR/VR等六大技術,下設研發、商轉、顧問和育成四大中心,鞏固技術人才資源
2018年
鎖定AI,領先全臺金融界成立科技長辦公室、設置科技長,開始建立專屬AI生產技術工具
2019年
原有大數據分析團隊CRV轉型為智能金融處,由科技長擔任處長,專門打造AI應用;科技聯隊鐵三角正式成形
2020年
新核心系統上線,開放式平臺特性將交易、會計分離,一年後交易量比舊時代成長至少40%至50%,更多資料有益於AI分析
2021年
智金處內部改組,強調服務落地及相關法遵風管;至此,玉山AI已在賦能、風控、流程、行銷、服務等5大領域遍地開花
附圖:玉山銀行董事長黃男州形容,玉山千人科技聯隊中的智金處是玉山「AI大腦」,負責解析大量資料、打造更聰明的金融AI服務。(圖片來源/玉山金控)
資料來源:https://www.ithome.com.tw/news/146179?fbclid=IwAR1ZGGV7rmCLnHqS3zT4JWw8IKtEqnDuzIW2doXP30OKL6uVHeAL0j-TzhY
同時也有10000部Youtube影片,追蹤數超過2,910的網紅コバにゃんチャンネル,也在其Youtube影片中提到,...
「innovation是機器」的推薦目錄:
- 關於innovation是機器 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
- 關於innovation是機器 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文
- 關於innovation是機器 在 孫弘岳-人力資源管理的世界 Facebook 的最佳貼文
- 關於innovation是機器 在 コバにゃんチャンネル Youtube 的精選貼文
- 關於innovation是機器 在 大象中醫 Youtube 的最佳解答
- 關於innovation是機器 在 大象中醫 Youtube 的最佳解答
- 關於innovation是機器 在 [AIC課程] 機器如何聽懂人說話... - American Innovation Center美國 ... 的評價
innovation是機器 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文
AI機器人將如何顛覆製造業?
面對AI機器人帶來的破壞式創新,台灣製造業該怎麼把握機會,在自動化典範轉移的亂局中,占有一席之地?
Bastiane Huang
Feb 6 · 1
在先前Robotics 2.0系列文章中,我們討論了AI如何讓機器人做到過去做不到的靈巧工作,並能夠開始自主學習。第一篇文章介紹了AI如何開啟Robot2.0時代。第二篇文章則描述AI機器人在倉儲運輸業的應用,透過觀察這個新技術的第一個應用場景,來預測這一切將如何影響我們的生產力、就業狀況以及日常生活。
這篇文章我們將聚焦目前大量運用傳統機器手臂及自動化設備,同時占台灣產值最高(30%)的製造業。具有自主學習能力而且靈巧的AI機器人,將如何影響製造業流程及整體產業結構?供應鏈上的各廠商又該如何因應Robotics 2.0帶來的破壞性創新?
「未來已經到來,只是先被一部分人看見。」 — 作家威廉.吉布森
The future is already here — it’s just not very evenly distributed. — William Gibson
製造業自動化現況
根據國際機器人聯合會(IFR)發布的最近報告,全球工業機器手臂的出貨量在2018年創下新紀錄,來到38萬4,000台。其中中國仍是最大市場(占比35%),接著是日本,美國,台灣排名全球第六。
汽車以及電子製造業依然是工業手臂的最大應用市場(占比60%),遠遠領先其他包含金屬,塑膠及食品等產業。具體原因我們在第一篇文章也討論過,由於傳統機器人和電腦視覺的限制,目前除汽車業和電子業以外,倉儲、農業和其他產業幾乎都還沒開始使用機械手臂。而這樣的情形將會被AI機器人及深度學習等新技術所改變。看到這裡,你可能會想:自動化及工業機器手臂在製造業既然已經有幾十年的歷史,該自動化或可以被自動化的部分應該都已經自動化了,還有什麼創新的空間呢?
出乎意料地,就連自動化程度最高的汽車製造業,離所謂的全自動化關燈工廠(lights out factory)也還有很大一段距離。舉例來說,汽車組裝的部分大多依然是由人工來完成。這也是車廠最勞力密集的部分,平均一間汽車工廠裡有3分之2的員工都在裝配車間。就連一向追求革新與顛覆,主張追求最高自動化的特斯拉執行長馬斯克,都不得不公開承認,特斯拉生產線自動化的進度不如預期。
究竟為什麼自動化這麼困難?
自動化至今無法跨越的技術限制
現今的自動化生產線普遍為大量生產設計,因此能有效降低成本,但也因此缺乏彈性。面對消費者越來越短的產品生命週期,越來越多的少量多樣客製化生產需求,人類往往比機器人更能夠因應新的產品線,也不需要花費很多時間去重新編寫程式或更改製造工序。
1. 靈巧度與複雜度
儘管科技在快速進步,人類還是比機器人靈巧許多。在訪談電子代工廠商的過程中發現,儘管組裝產品(assembly)已經高度自動化,但備料(kitting)的程序還是必須由人來完成。
備料在製造及倉儲業都很普遍,是提高生產效率的重要步驟。指的是把組裝產品需要的各個零散部件集合起來,打包並放置在工具包(kit)的過程。之後機器人再從工具包中拿取各個零件並進行組裝作業,這時候因為各個零件都在一個固定的位置和角度,自動化編程相對容易。相反地,備料時必須從雜亂無序的零件盒中辨識並拿取零件,零件的位置角度不一,甚至可能重疊或纏繞在一起,這對現有的機器視覺及機器人技術都是一項挑戰。
2. 視覺與非視覺性的回饋
另外一方面,很多複雜的裝配作業需要靠作業員的經驗或「感覺」。不論是安裝汽車座椅或是將零件放入工具包裡,這些看似簡單的動作,事實上都需要作業員或機器人接收,並根據各種視覺甚至觸覺訊號,來調整動作的角度及力道。
這些精細的微調使得傳統的自動化編程幾乎派不上用場,因為每次撿取或放置物品都不完全相同,需要像人一樣有從多次的嘗試當中,自主學習歸納的能力,而這正是機器學習,特別是深度及強化學習,能夠帶給機器人的最大改變。
Robotics 2.0:AI可以讓工廠機器人做到哪些事?
AI帶給機器手臂最大的改變就是:以往機械手臂只能重複執行工程師編寫程序,雖然精準度及速度都很高,但卻無法應對任何環境或製程改變。但是現在因為AI,機器可以自主學習更複雜的任務。具體來說,AI機器人較傳統機械手臂在3大方面有重大突破:
1. 視覺(Vision System)
就算是最高階的3D工業相機,仍然無法像人眼一樣,既可以精準判斷深度距離,又可以辨識透明的包裝、反射表面、或是可變形物體。這也是為什麼很難找到一款相機,既可以提供準確的深度,又能夠辨識大多數的包裝及物品,然而,這樣的情形很快就會被AI改變。
機器視覺在過去幾年取得了巨大的進展,幾間來自於矽谷及波士頓的新創,包括OSARO和Covariant,利用深度學習(deep learning),語意分割(semantic segmentation),及場景理解(scene understanding)提高了低階相機的深度及影像辨識,讓製造商不需要使用昂貴的相機,也能得到足夠準確的影像訊息,成功辨識透明或反射物體包裝。
2. 可擴充性(Scalability)
深度學習不需像傳統機器視覺一樣,需要事先建構每一個物品的3D模型。只需要輸入圖片,經過訓練,人工神經網路就能自動辨識影像中物體。甚至能使用非監督或自監督學習,降低人工標籤數據或特徵的需要,讓機器更近接近人一樣的學習,免去人為干預,讓機器人面對新的零件再也不需要工程師重新編寫程序。隨著機台運作,收集到的數據越來越多,機器學習模型的準確度也會進一步提升。
目前一般生產線通常有震動台、送料器、輸送帶等週邊設備,確保機器人能夠正確拿取需要的部件。如果機器學習再進一步發展,讓機器手臂更加智能,或許有一天這些比機械手臂更昂貴四五倍以上的週邊設備將不再被需要。
另一方面,由於深度學習模型一般儲存在雲端,這也讓機器人能夠互相學習,共享知識。舉例來說,若有一台機器手臂經過一個晚上的嘗試,學會如何組合兩個零件,便能夠很輕易地將這個新的模型更新到雲端,並分享給其他同樣也連結到雲端的機器手臂。這不但省去了其他機器的學習時間,也確保了品質的一致性。
3. 智能放置(Intelligent Placement)
一些對我們來說一點也不困難的指令:請小心輕放,或把物品排列整齊,對機器手臂而言卻是巨大的技術挑戰。
如何定義「小心輕放」?是在物體碰觸到桌面的瞬間停止施力?還是在移動到距離桌面6公分處放手讓物體自然落下?或是越靠近桌面就越降低速度?這些不同的定義又會怎麼樣影響物品放置的速度和精確度?
至於將物品「排列整齊」就更困難了,先不論每個人對整齊的定義都有所不同,為了能將物品精準地放置在想要的位置及角度,我們首先必須要先從正確的位置拿取物品:機械手臂依然不如人手靈巧,且目前一般機器手臂大多使用吸盤或是夾子,要做到人類關節及手指的靈活度,還有一大段距離。
其次我們要能即時判斷夾取物體的角度位置及形狀大小,以下圖的杯子為例,需要知道杯口朝上或朝下,要側放或直放,也要知道放置的地方有沒有其他物品或障礙物,才能判斷將杯子放在哪裡才能最節省空間。 我們因為從出生開始就在學習各種取放物品的任務,這些複雜的作業幾乎不加思索就可以完成,但機器並沒有這樣的經驗,必須重新學習。
經由AI,機器手臂可以更精準地判斷深度,還可以透過訓練,學習判斷及做到杯子朝上,朝下等不同狀態。也可以利用對象建模(Object Modeling),或是體素化(Voxelization),來預測及重建3D物體,讓機器可以更準確掌握實際物品的大小和形狀,進一步將物品放到該放的位置。
AI機器人將如何顛覆製造業?
現在我們知道AI可以讓機器做到許多以往做不到的事,但這對製造業現行的產業結構又會有什麼影響?誰能夠把握住新科技典範轉移技術帶來的機會?哪些公司又會面臨前所未有的挑戰?
AI機器人帶來的破壞式創新(Disruptive Innovation)
破壞式創新由哈佛商學院教授克雷頓‧克里斯汀生(Clayton Christensen)在其著作《創新的兩難》(Innovator’s Dilemma)當中提出。理論的中心思想是:
產業中的既有業者一般會為了服務現有客戶(通常也是利潤最高的客群),而選擇專注於「持續式創新」,改善現有的產品及服務。此時,一些資源較少的小公司把握機會,瞄準被忽略的市場需求,而取得進入市場的立足點。
破壞式創新又分為以下兩種:
(1)低階市場創新
一般大家較為熟悉的是「低階市場創新」,數位照相技術就是一例。早期的數位相機不僅解析度不佳,而且還有快門延遲很長的問題,但隨著數位照相品質及解析度逐漸進步,數位相機逐漸從低階市場晉升為主流。諷刺的是,柯達雖然研發出數位相機,但卻因為無法放棄當時該公司占據全球3分之2的底片市場,而最終被新技術淘汰。這正是所謂的「創新的兩難」,既有業者雖然看到新科技的威脅,但卻因為現有公司結構,策略等種種原因無法及時因應。
(2)新市場創新
「新市場創新」則是指新進公司瞄準既有公司尚未服務到的「新市場」進行創新。例如,電話剛推出的時候只能被用來做短距離的本地溝通,因此電報產業當時的領先者Western Union拒絕購買發明家貝爾的專利,因為該公司最賺錢的是長途電報市場,當時甚至不認為短途溝通會是一個市場,更不用說預見後來人人都用電話溝通的情景了。
而AI機器人帶來的,正是「新市場的破壞式創新」!
目前汽車及電子製造業占工業機器手臂出貨量的60%,這也導致市場領先者發那科(FANUC)、ABB、KUKA、安川(YASKAWA)專注於「持續式創新」:做他們最擅長,客戶也最需要的,進一步提高速度及精度。這也使得其他諸如倉儲業、食品製造業,或製造業中的「備料程序」成為被忽略新市場。這些客戶並不需要這麼高速度,高精度的作業,但需要機器手臂更靈活,更能彈性自主學習辨識及處理不同的零件或是工作。
新創AI機器人公司看到這樣未被滿足的需求,開始將人工智慧應用在機器人上,使得機器手臂可以被用在備料,包裝,倉儲等新市場。他們使用較低階的相機搭配機器學習模型,讓以往只能由人工作業的備料,貨物分撿等程序自動化,讓機器手臂可以被運用在更多不同的地方,甚至整個產業。
有趣的是,這些新創公司一般不自行生產機器手臂,而是專注於開發機器學習模型、機器視學及控制軟體,在硬體方面則選擇跟既有機器手臂廠商合作。因此,你可能會想,就算這些機器手臂公司不追求AI創新,他們也不會被時代淘汰,因為自動化還是需要硬體的供應。
但是,這樣想忽略了幾件事:
首先,有些機器手臂公司已經先嗅到了商機,並開始一邊與這些新創公司合作,一邊建立自己的AI團隊。這些公司因為率先採取行動,可以更快地在這些以往服務不到的新市場中建立客群,進一步領先競爭對手。
其次,隨著AI應用的普及,產業鏈中的最大價值,會逐漸由硬體轉向軟體及數據。 這點,我們已經可以從無人車的發展趨勢中看出。一但無人車可以做到高度自主,大部分的價值都會在掌握無人車機器學習模型及自駕數據的特斯拉,或Google等公司的手裡。這也是為什麼車廠人人自危,不是積極併購就是跟矽谷的軟體AI新創公司合作。相比起來,機器手臂及製造商對AI技術的接受速度似乎還不及汽車製造商。
AI機器人帶來的挑戰與機會
AI及機器人的結合帶來許多的可能性,但是這些改變絕非一蹴可幾。機器手臂公司縱使開始投資AI,也依然會面臨當初柯達所面臨的「創新者的兩難」。
要如何重新打造組織及發展策略,才能夠讓轉型的負面影響降到最低,也考驗各個公司管理階層的判斷與決心。
另一方面,開發全新市場也絕非簡單的事,新創公司仍需要和製造廠商密切合作,開發更貼合客戶需求的解決方案。 製造業的流程甚至比倉儲更複雜多樣,新創公司雖然了解AI及機器人技術,但卻不一定了解製造流程。這也給台灣製造廠商一個搶得先機成長轉型的最佳機會。
如果台灣廠商能夠率先和這些新創公司合作,不僅能透過流程自動化提升生產效率及品質,還能做到以往較難做到的少量多樣客製需求,擺脫大量製造,削價競爭的紅海策略。更可以成為新一代AI機器人的試驗場,和國際新創合作開發針對電子或半導體製造業的專屬解決方案,進而銷售到其他國家。
日前,曾任職於Google與百度的吳恩達(Andrew Ng)受邀來台演講中也指出,台灣應該善用自己在半導體與製造業的既有優勢,發展人工智慧,成為除了矽谷、北京之外的下一個AI Hub。 相較於其他像是零售或是消費性網路領域這些現在發展相對成熟的AI應用,台灣在製造產業中發展人工智慧,不但更具有了解應用案例、掌握數據等優勢,也有機會能夠藉由AI機器人等新技術,達到產業轉型的目的。
附圖:KIT工具包 — source: kitting-assembly.ca
深度學習物件辨識範例,由左至右分別為Mask-RCNN, Object Modeling, Grasp Point Prediction。OSARO
傳統及AI機器人創新策略比較 — source: Bastiane Huang
製造業自動化產業鏈- source: Bastiane Huang
資料來源:https://medium.com/marketingdatascience/ai%E6%A9%9F%E5%99%A8%E4%BA%BA%E5%B0%87%E5%A6%82%E4%BD%95%E9%A1%9B%E8%A6%86%E8%A3%BD%E9%80%A0%E6%A5%AD-ee2dbc3db7e4
innovation是機器 在 孫弘岳-人力資源管理的世界 Facebook 的最佳貼文
根據最新的《企業》(Inc.)雜誌報導,有愈來愈多科技公司, 例如Tesla、Accenture或 LinkedIn,不依賴履歷表上的"經驗",改用AI預測來作為任用的標準,因為過去經驗與未來的工作內容與新的專業知識相關性愈來愈低。
這篇報導一開頭就引述一篇頂極的論文,試圖合理化,經驗無法預測未來的工作績效的論點。但論文中的工作經驗係指年資,而非一竿子推翻應徵者經驗的價值。例如結構化行為事例面談(即以過去經驗為基礎),至今仍有許多研究發現它具一定的預測效度。
.
縱然這篇報導有一點斷章取義,但它也點出"履歷表上的工作經驗"對"未來工作"績效的預測力可能正在消弱中。取而代之的是一個人可能不太容易突顯在履歷表上的特質。而這些特質也不太容易透過一般的甄選工具來進行評測,如果可以,也不會太便宜,例如工作樣本法 Working sampling、評鑑中心 Assessment Center等等,要很花人力與心力來設計與執行的高度結構化評鑑工具。
.
AI在人力甄選上的應用,就大大補足這類結構化人力評鑑的缺點,即過多的時間與人力。透過半監督式深度學習Semi-supervised Deep Learning的技術,你只要告訴電腦某一群人目前績效的高低,它可以模擬與分析工作樣本或評鑑中心,甚至是評測遊戲中的各式行為,包含肢體語言或聲調/步態,找到可以預測績效高低的特質。換言之,這樣的AI工具,不但能取代傳統測評工具中訓練有素的觀察員,還能看到觀察員看不到或不易看到的細節,不會分心、也不會遺忘。所以AI逐漸成為人才甄選的測評工具。
.
註1: 在機器學習Machine Learning的領域中,分三類,最常用的稱作監督式學習 Supervised Learning,例如在人的訓練下,告訴機器那些照片是猫或狗,並由人給予猫狗不同的屬性標籤,例如耳朵、叫聲、吐舌等的特徵,訓練機器從這些資料中去辨別猫狗的照片。這個方法的缺點,就是太費人力,且關係到機器訓練師的素質。非監督式學習 Unsupervised Learning,就是由人給機器一堆猫狗的照片,機器會自動去學習分辨猫狗的不同屬性。這種方法通常需要大數據般的資料照片,才能學會。而半監督式學習,就是綜合以上兩種方式,人類還是要替這些照片,下一點標籤,例如那些照片是猫,那些是狗,再由機器自動去學習找出牠們不同的屬性。
.
註2: 深度學習Deep Learning 是機器學習的一種技術,它不需要人類對學習目標萃取特徵並歸類,你只要給它數據,它就可以自動萃取特徵並歸類,並預測結果。所以深度學習是目前AI的主流,簡稱ABC。A就是Aalgorithm, 透過模仿人腦的「類神經網路」的演算法,結合B (Big Data)大數據,並且需要搭配C (Computing)強而有力的運算硬體,例如GPU,才能體現。
.
https://www.inc.com/melanie-curtin/resumes-dont-help-you-hire-innovative-people-but-this-does-hint-teslas-doing-it.html
innovation是機器 在 [AIC課程] 機器如何聽懂人說話... - American Innovation Center美國 ... 的推薦與評價
在本演講中我們要講機器是如何聽懂人說話的,我們會一起來看看,當你對機器說一句話時,機器如何將語音訊號變成文字,然後理解文句中每個辭彙的意思,進而理解整個 ... ... <看更多>