自動化機器學習會是未來的主流嗎?
專題故事

今年一月中,Google發表了自動化機器學習工具(Cloud Auto ML),引發台灣業界熱烈討論。到底所謂的自動化機器學習是什麼意思?對於台灣產業界來說又有何種影響性呢?對於台灣企業的幫助有多大?

機器學習技術最新趨勢

1 什麼是Auto ML?又有什麼樣的特點?

Shutterstock
今年一月中,Google發表了自動化機器學習工具(Cloud Auto ML),引發台灣業界熱烈討論。到底所謂的自動化機器學習是什麼意思?對於台灣產業界來說又有何種影響性呢?

「若用一句話形容,Google的Cloud Auto ML是一種『自動建模』工具。」玉山金控科技長暨臺灣人工智慧學校執行長陳昇瑋說。

什麼是Auto ML?

Cloud Auto ML可以幫企業用較低的成本,更快的速度建置模型,容易上手,可以降低企業導入機器學習的進入門檻,即使企業具備的機器學習專業知識有限,也能建立精確的模型。

而從Google部落格資料來看,這套工具的易用性,更是一大亮點。「AutoML 提供簡單明瞭的圖形化使用者介面,方便使用者選取數據,接著再利用這些數據打造符合使用者特定需求的模型。」

「AutoML在資訊技術的發展堆疊上,最大的意義在於把人工智慧技術的抽象層級再提高一層,就好像C語言的發明,讓程式設計師從此以後不用懂太多底層電腦的架構就可以寫程式一樣,現在使用AI技術不用懂太多機器學習。」LIVEhouse共同創辦人程世嘉在《Google憑AutoML,將把AI新創公司的一些活路堵死》文章中指出。

程世嘉認為,「AutoML 最大的突破性和破壞性在「用AI協助企業做決策」這個領域。另外,他也認為「AutoML把人工智慧的易用性擴大到所有不太懂人工智慧的人。」

適合台灣「少量多樣」的製造業生態

而這樣個工具對於台灣企業的幫助有多大呢?艾爾科技(MyET)執行長林宜敬分析,最近這一波的人工智慧熱潮,最主要的突破是在影像的分類上面,而Auto ML這樣的工具,可以讓一家企業很快地建立自己的影像分類程式。

林宜敬舉例,台灣有許多電子製造業公司僱用了很多的目視檢測(Visual Inspection)人員,他們的工作,就是將看起來有問題的產品跟看起來沒有問題的產品分開。而有了 Auto ML 之後,那些電子製造業公司就可以很快地建立自己的人工智慧目視檢驗程式,取代人工的目視檢測。

「當然,大型電子公司早就在使用一些自動光學檢查(Automated Optical Inspection,AOI)工具,那些自動光學檢查工具用的也許不是最新的機器學習技術,但是已經非常的成熟,已經融入很多的Domain Knowledge,並且跟整個製造流程結合的很好。用Auto ML這樣的工具所作出來的目視檢測程式,也許正確率會更高,但是能不能跟現有的製造品管流程順利結合?這恐怕還要花一番功夫。」林宜敬舉例。

「我不是這方面的專家,但是我猜,用Auto ML所作出來的自動光學檢查工具,應該靈活性更高,也許更適合台灣『少量多樣』的製造業生態。這應該是一個機會。」林宜敬說。

台大資工系教授洪士灝,也認同這類工具帶來的正面效益認為,對於深耕專業領域的新創,Google AutoML可能是助力。

不過對於新創公司來說,如果公司僅專精在建模的部分,那其服務被這些平台取代的機會相當大。

適用在概念驗證(Prove of concept)或最小可行性產品(Minimum Viable Product)

不過陳昇瑋提醒,若企業都使用這種標準工具建模,會產生「大家採用一樣的工具,模型效能等級雷同的狀況」,因此對企業來說,這類工具,適合「還不需要做到極致,只是能跑得模型即可。」

趨勢科技全球資深研發副總周存貹指出,對於企業來說,什麼樣的「ML應用」可以幫助企業(不管是在利潤或營運上)是一大挑戰,找到適合企業的應用才是重點。Auto ML 對於找應用可能幫不了太多,如果找到合適的應用,Auto ML 也許可以快速的證明這個應用是否可行。

而藍星球副總經理宋浩則分析,「自動化機器學習工具適合用資源不夠充足,或是還不想要花大錢組建人工智慧團隊的企業,用在概念驗證(Prove of concept)期或是打造最小可行性產品(MVP:Minimum Viable Product;最小可行產品)時採用。」

概念並非Google獨有,Mircrosoft與IBM也致力於此

本文雖然以Google Clould Auto ML產品為例,不代表僅有Google投入資源打造這類工具,其實,除了Google,Microsoft的Cognitive Services,亞馬遜的AWS也有雷同服務。

也有業內人士指出,Google Clould Auto ML的確降低的機器學習的建模門檻,但其創新性並不是跨時代性的。也因此我們對於Auto ML等工具也不應太過於「神話」。

微軟亞太研究院院長洪小文就針對此議題提供一個有趣的觀點,「當初汽車出來也冠上Automobile之名,但汽車到現在也還沒有真正的全自動化。」

每日精選科技圈重要消息

機器學習的人才荒,能否單純靠技術解決?

2 自動化機器學習工具,能紓解台灣機器學習人才荒?

shutterstock
Google推出了自動化機器學習工具Auto ML,讓機器學習過程更簡單與容易,大幅度的降低機器學習的入門門檻,讓非機器學習的專家也能快速上手,那這樣的工具能大幅度解決台灣機器學習人才荒的問題嗎?這類工具能大幅度縮短培養機器學習人才的時間嗎?

根據104人力銀行的統計台灣人工智慧相關人才缺口約有6000人,而全球也正展開AI人工智慧搶人大作戰。就在此時,Google推出了自動化機器學習工具Auto ML,讓機器學習過程更簡單與容易,大幅度的降低機器學習的入門門檻,讓非機器學習的專家也能快速上手,那這樣的工具能大幅度解決台灣機器學習人才荒的問題嗎?

業界觀點:彈性很小,模型客製化程度相當有限

台灣產業界的觀點是什麼呢?雖然這類工具讓行業內專家快速理解機器學習,但是仍有不少侷限之處。

首先,從自動化機器學習工具本身功能來看,工具是標準化的,彈性很小,因此模型客製化程度相當有限,也不夠精緻。

玉山金控科技長暨臺灣人工智慧學校執行長陳昇瑋就表示,「很久以前工程師們也希望,不用寫程式,就可以開發軟體,但『開發軟體不用寫程式』的理念一直沒有成功過。仿間各種自動程式開發工具總是不夠彈性,不夠好用,想要的功能可能沒有,而在機器學習領域的狀況也是一樣的。」

再者,從整個機器學習的過程來看,機器學習可不是僅有建模調參數等步驟而已,還包括還包括「訂題目」與「搜集整理數據」等重要步驟,自動建模僅解決機器學習小部分挑戰。

因此就算有了這個建模工具,還是必須面對找問題與數據等重大挑戰,這些挑戰都需要熟悉機器學習的專才,靠著人腦解決,無法自動化。

最後,若放在台灣的產業現況來看,建模也非台灣多數企業導入機器學習時的最大挑戰,因此就算可以快速建模,還是無法大幅度提升企業將業務導入機器學習的速度。

「台灣企業目前大多還停留在搜集整理數據,並且找出數據價值的階段,因此非常需要在地的服務支援,這是雲端服務無法提供的。」一名人工智慧專家觀察。

學界觀點:學術基本功並非一蹴可幾

從企業的角度來看,自動化機器學習工具侷限處不少,那從學界的觀點來看呢?這類工具能大幅度縮短培養機器學習人才的時間嗎?學界對於這類工具看法為何?

藍星球副總經理宋浩指出這類工具對於學生來說可以快速理解機器學習的梗概,利用這類工具迅速做出一個簡單的模型,在課堂中Demo,讓學生快速入門。但若要潛心鑽研機器學習,還是需要扎實的數學與統計等領域基礎,並無法一蹴可幾。

台大資工系教授洪士灝也在其文章<對深耕專業領域的新創,Google AutoML應不是阻力,而可能是助力>中,點出這類的速成工具可能帶給學生「學習隱憂」。

這些讓機器學習更容易上手的工具,讓初入門的學生不注重基本理論,並且缺乏獨立思考能力。「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。」洪士灝文章中如此描述。

況且,目前學界來說。在機器學習領域最大的挑戰還是在於訓練資料的缺乏。學術界需要大量的業界真實樣本,作為機器學習演算法與模型的訓練素材,而這些數據大多數都沒有被開放出來,取得相當困難,「學界目前最常反應,沒有足夠的與真實環境下的高品質的數據發展機器學習技術。」趨勢科技台灣暨香港區總經理洪偉淦就曾指出。「以資安領域來說,目前市面上公開的數據多為5到10年的舊數據,其實很多數據公開時程晚一個月,效用就有限了。」

綜合業界與學界的這些觀點,我們再看這個問題:自動化機器學習工具,就能大力紓解台灣機器學習人才荒的問題嗎?答案恐怕不是太過於樂觀。

每日精選科技圈重要消息

有了自動化機器學習技術,轉職AI更簡單?

3 坊間速成班一間間開,非電腦科學背景適合轉職做AI嗎?

shutterstock
近年來人工智慧(AI)相關職缺需求倍增,加上高薪待遇,吸引不少人想轉職投入。不過AI演算法或機器學習相關領域,難度極高,一般人想靠短期進修轉職進入該領域,可不像轉職寫App或寫程式這般簡單。

全球大缺機器學習等AI領域人才,根據2017年騰訊研究院發表的《全球人工智能人才白皮書》,全球AI相關產業人才總數約30萬人,但光是中國,人才需求就超過百萬人。

從薪資分布來看,近八成職缺月薪資超過2萬元人民幣(約新台幣9.2萬元),五成突破3萬元人民幣(約新台幣13.8萬元),還有1.9%的企業更開出5萬元人民幣(約新台幣23萬元)以上月薪。而台灣也不例外,104人力銀行就指出,台灣AI職缺增長至6000個,以資料科學家、演算法工程師、機器人工程師的平均年薪最高,分別為122萬元、88萬元及83萬元。

在強勁需求與高薪待遇下,聲望卓著蟄伏學界已久的教師轉入業界,電腦科學學生也以AI為發展目標,資訊相關背景的人才也紛紛加入,還有不少非資訊背景的人才蠢蠢欲動,想轉職進入AI領域。

這個現象與2007年iPhone第一代上市後,全球瘋寫Android與iOS App潮流相似。當時台灣也有不少沒有電腦科學背景的人靠著自學或坊間補習班進修C/C++、JAVA等相關程式語言,靠著寫App致富日進斗金。

不像寫App可速成,AI需扎實基本功與產業Know-how

但人工智慧演算法或機器學習相關領域,難度極高,想靠短期進修轉職進入該領域,可不像轉職寫App或寫程式這般簡單。

藍星球副總經理宋浩就指出,「招聘人工智慧演算法工程師時,還是很重視學歷血統,希望是資工資管等電腦科學相關領域的碩博士生。」

原因在於一般寫個程式,架個網站,熟悉Object C與Swift與PHP等重要程式語言或平台即可,在資策會或巨匠等上個半年課就會有不錯的成果。但AI演算法工程師可就不同了,若要能設計新的演算法,除了基本的程式設計,必須有離散數學線性代數、離散數學與微積分等數學基礎,以及資料結構與演算法等領域,這些領域基本功要夠扎實才行,只懂皮毛是不夠的。

也因此,對於坊間如雨後春筍般出現的「AI速成班」,或是各類強調「不需要擁有研究生水準的數學,你也可以輕鬆建立屬於自己的AI」的課程也須特別的小心。這類的課程可能學費就幾萬元並不貴,但花招大於實質效益,花了時間學,要真正應用在產業界並不容易。

另外,若想要轉職,是否已經累積足夠的產業Know-how了呢?艾爾科技(MyET)執行長林宜敬就指出,「依據我個人的經驗與理解,要調整出最好的參數,必須對特定的問題有洞見(Insight),也必須對機器學習的原理有深刻的了解。對特定問題一知半解是不行的,只懂得如何使用工具也是不行的。」

轉職者的學習速度可能趕不上大廠的自動化速度

另外一項業界趨勢「自動化機器學習」工具的出現,也讓入門相關領域的壓力變大了。

目前這類工具效用還相當有限,以Google的Auto ML工具來說,主要還是在於「建模」,讓機器學習變成更容易上手。說能取代工程師是在開玩笑,但隨著技術進步,展望未來,Google與微軟等公司所提供的服務,取代入門級機器學習新手並非毫無可能。

機器學習的初學者和專家等級差距不小,若把機器學習的歷程分等,僅會使用機器學習套件解決問題、選擇適合的機器學習演算法調整參數,跟真正知道機器學習演算法的數學原理,甚至會設計新的演算法等專家等級差異很大。

也就是說,在非相關背景的轉職者好不容易負笈歸來,可以一展長才時,可能這些大廠提供的工具水準已經超越入門新手,也就是說轉職者的學習速度可能趕不上大廠的自動化速度。

當然,有志者事竟成,畢竟只要有決心,無背景轉職又何妨?天下無難事。只是若你已非社會新鮮人年齡不小,非相關背景,想要轉職AI領域,三思而後行。

每日精選科技圈重要消息

延伸閱讀