[AI洞見]對深耕專業領域的新創，Google AutoML應不是阻力，而可能是助力

當我們實際嘗試以AI做創新研發的時候，往往會發現，工作上的時間和挑戰，很大部分是在學習特定領域的專業知識（例如醫療）、蒐集有用且足夠的資料（例如請醫生幫你標籤醫療影像）、自動產生可供訓練參考的大數據與標籤、處理資料中有瑕疵的部分。再扣除掉訓練模型的等待時間，實際上真正玩弄AI的時間少的可憐，可能連2%都不到。

因為AI這個名詞太搶眼，所以常常產生過度簡化的聯想和似是而非的迷思。

很多學生想學AI，但一般在課堂上給學生作練習的AI問題，可能已經把資料整理得不錯，讓學生們很快可以開始用現成的數據分析軟體或是AI框架做出簡單的應用，或是深入鑽研AI的奧秘。

由於這些年發展很快，所以現成的東西越來越多，越來越好用；然而，學會一些粗淺功夫就號稱自己是專家出去魚目混珠的人也不少，不過那就算了，廠商也不是沒長眼，被誆了就自己認了。

我建議學生們最好設法讓自己理論實務兼備

我比較擔心的是，學生們產生一種迷思，那就是趕快學會幾個所謂實用招數就去就業或搞新創，比起一些曠日費時的學習來得實在。

什麼打好理論基礎、磨練研究分析能力、學習跨領域溝通技能，還不如讀幾本坊間入門書籍、用現成 API做出吸引群眾目光的聊天機器人來得有成就感。

但是一出了學校大門，發現工作的需求不見得是想像的那麼回事。

我建議學生們最好設法讓自己理論實務兼備，軟硬實力都有，會解題也要會實作，懂得自學也能與人溝通，才能在職場上長久發展。

但是不要期待任何一所大學能在四年內教會「被動的你」上述的一切，有些能力需要下苦功，有些需要靠自己。

三個月學會的東西被AutoML取代了，沒關係，還有很多其他的功夫可以運用。

如果缺乏獨立思考分析的能力，只會從眾跟風，風險頗大。過去幾年看過太多唬人的新創案例，我去年幫政府審新創補助案，只讓約十分之一通過，算是看緊納稅人的錢。

至於那些一頭熱要從事淺碟式新創的民間企業或學生，講也講不聽，恐怕只有等泡沫化之後才見真章。

本文由洪士灝授權轉載自其Facebook。

《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，文長至少800字，請附上個人100字內簡介，文章若採用將經編輯潤飾，如需改標會與您討論。

（觀點文章呈現多元意見，不代表《數位時代》的立場。）