AlphaGo 可以開無人車嗎?AI 其實需要訓練師

Google
很多企業已迫不及待想要應用AI技術來改變世界,但想要成功的運用AI技術,需要AI訓練師。跟使用一般機器不同,人類員工並不是一聘請來就什麼都會,需要提供充分而合適的訓練才能勝任工作,「AI系統」也是一樣。

隨著2016年3月 Alpha Go 以四比一擊敗李世乭, 人工智慧(AI)的熱潮於全球興起,AI背後所需要的機器學習技術受到各方關注,而 Alpha Go 背後所用到的深度學習技術(機器學習的其中一種方法)更是成為眾所矚目的焦點。

今日機器在學習時並非是死背人類提供的訓練資料,而是具備抽象化問題的能力(甚至可以誇張地說機器具備某種程度的理解能力)。

Alpha Go 以四比一擊敗李世乭,讓全球興起人工智慧(AI)的熱潮。
Google

例如:當機器在做人臉辨識時,它並非將資料庫中人臉的影像死記下來,然後將輸入的影像和資料庫中的影像一一比對,現在機器有能力自動根據資料庫中人臉的影像,了解人臉由眼、鼻、口等所構成,而眼、鼻、口又由基本的幾何圖形所構成(例如:眼是一個深色的圓圈外圍套一個白色圓圈)。

因此,就算是機器沒有見過的人臉,透過抽象化問題的能力,機器也可以正確辨認出來。很多企業已迫不及待想要應用AI技術來改變世界,但想要成功的運用AI技術需要什麼樣的人才呢?

AI技術買來就可以直接用嗎?

有些人相信只要請 Google 授權 Alpha Go或請 IBM 授權 Watson,就可以把工廠瞬間變成智慧工廠,汽車瞬間變成智慧型無人車。

如此一來,哪還需要什麼人才?

但真實的情況並非如此,現在以深度學習技術為基礎的AI,在成功應用前,需要經過三個階段:模型設計、設定目標、學習。

模型設計,就是選定AI的天賦,不同的模型將使得AI適合做不同的事,如果想讓機器下圍棋,卻選擇適合開無人車的天賦,則AI將怎麼學也學不好。

不同的模型讓AI各有所長,如果想讓機器下圍棋,卻選擇適合開無人車的天賦,則AI將怎麼學也學不好。
Google官網

選定天賦後,需要人類給予AI學習目標,例如:想要讓AI學會下圍棋,必須有人告訴AI贏棋是好的,並告訴AI什麼樣的情況叫做「贏」。

接下來,雖然AI在理論上可以根據人類設定的目標自動去學習,但需要人類幫AI選擇學習方式,不同的模型和學習目標適合不同的學習方式,若是沒有選擇恰當的學習方式,AI也無法成功達成人類給予的學習目標。

也就是說,跟 Google 拿到 Alpha Go全套的程式碼和模型參數,等於是聘請了一位超強的棋士,但它也只會下圍棋而已。如果你想要讓它做其它事情,必須重新訓練,而這個轉換過程絕對少不了人類專家的介入。

因此,有了Alpha Go 和 Watson,並非已經解決所有的問題,現階段它們只是解決了某一個非常特定的問題,想要把它們的技術用在其他應用上,還是需要下一番非常大的工夫才行。

AI系統像員工一樣,必須訓練!

要使用AI技術,必須具有和使用一般機器不同的思維。 人們習慣機器買回來就可以立即使用,例如買一個馬達,插上電源後就可以運作,但是AI 系統並不相同,AI系統更像是名員工。

人類員工並不是一聘請來就什麼都會,需要提供充分而合適的訓練才能勝任工作,「AI系統」也是一樣。但要如何根據AI所要執行的任務,選擇合適的天賦、合適的目標、合適的學習方式呢?這些就需要靠人類專家了,因此這些專家可以說是「AI訓練師(AI Mentor)」。

如何選擇合適的天賦、目標、學習方式,目前還沒有一以貫之的理論,但厲害的AI訓練師可以用較少的錯誤嘗試,有效率地訓練出厲害的AI。

而正是因為理論的缺乏,AI訓練師不是看某一本教科書、修某一門課就可以練成的,AI訓練師的養成最需要的是實戰經驗,而對主管來說,想讓培養工程師變成AI訓練師,需要的是提供足夠的練習機會和時間並鼓勵嘗試錯誤。

因著科技進步,現在只要幾台伺服器插幾張顯卡,然後在開源框架(framework)下寫幾行程式碼,馬上就可以開始開發以深度學習為基石的AI技術。但AI技術是否像一個訓練優良的員工有戰力,關鍵在於AI訓練師能否給予妥當的訓練。

在台灣應該找尋及培育一個有實戰經驗的AI訓練師,讓人才在關鍵的技術上做出突破,才能讓台灣產業抓緊在人工智慧時代,自主研發技術的機會。

系列文章:台灣如何在人工智慧彎道超車?得培養高級AI人才

《數位時代》長期徵稿,針對時事科技議題,需要您的獨特觀點,歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw,文長800至1000字,兩天內會回覆是否採用,文章會經編輯潤飾,如需改標會與您討論。
延伸閱讀
深度學習
Deep Learning
「深度學習」是機器學習的分支,源於類神經網絡,簡單來說,即是大量的訓練樣本、龐大的計算能力、靈巧的神經網路結構設計三者結合,目前深度學習已深入應運於語音辨識、影像辨識,Google AlphaGo也是奠基於深度學習,而能掌握抽象概念。讓電腦進行深度學習主要有三個步驟:設定好類神經網路架構、訂出學習目標、開始學習。 (來源: 數位時代台灣資料科學年會 )
李宏毅
台大電機系助理教授

研究方向以機器學習技術讓機器辨識並理解語音訊號的內容,致力於語音數位內容搜尋、語音數位內容之自動化組織、語音數位內容擷取關鍵資訊、人機互動、問答系統、智慧型線上教學平台等。曾在台大開設「機器學習及其深層與結構化」。

追蹤我們