人工智慧 AI​​

徹底掌握人工智慧的定義、趨勢、以及商業應用​​

分享在 linkedin
分享在 facebook
分享在 twitter
分享在 email

人工智慧的技術、資源、以及基礎建設已經趨近成熟,不論組織的大小,只要策略性的規劃投資與發展方向,人工智慧都能夠為組織帶來龐大的商業價值。 麥肯錫更是於一次2018年的研究中指出,倘若70%的組織採納部分AI技術,而50%的大型組織全面採納AI技術,在2030時,人工智慧 (包括機器學習) 將能夠給全球GDP帶來另外13兆美金的潛能。

然而,即便人工智能具備著如此龐大的商業價值,多數組織依然無法全面的發揮出AI的潛能。

什麼是人工智慧?​

AI人工智慧 – 定義與產業應用
分享在 facebook
分享在 linkedin
分享在 twitter
分享在 email

許多領域對於人工智慧的定見解都不大相同,但核心層面的定義是一樣的。 AI指的是就是,用程序的方式達到人類需要運用智慧才能完成的事情。

傳統的程序是用一系列的指令以及規範來讓整個程式運作,例如一個計算機,他的Input如數字、以及加減乘除等的運算子,都是被規範好的,而這導致這個程序無法處理沒有被定義的新變數。所以若我們想要此程序處理其他問題,工程師就必須更新新的指令以處理新的變數。

然而工程師以及電腦是不可能將整個世界的變數放進一個程序中的,這就是為何在解決真實世界的問題時,新的方式必須被發展出來。 在所有AI技術中,最被廣為應用的即是機器學習,然而深度學習等技術也是具備著龐大潛能,一份研究更是指出較為先進的AI技術(深度學習)有著每年產出3.5兆~5.8兆的潛能。

人工智慧的定義

機器學習(Machine Learning)​

機器學習,一種人工智慧的技術,不同於傳統程序,是通過處理並學習龐大的數據後,利用歸納推理的方式來解決問題,所以當新的數據出現,機器學習模型即能更新自己對於這個世界的理解,並改變他對於原本問題的認知。 

假設現在有一個人對於美醜沒有概念,那麼你把他帶到一群人面前,並指著其中一個說是美、一個是醜、另一個是美等等…隨著這位本無審美觀的人看到更多資訊後,他也會開始對審美這個觀念有一定的想法。 而關鍵在於,數據的量一定要足夠大且數據的質一定要好,才能讓機器學習模型更好的判斷問題的答案。  

機器學習 - 演算法&商業應用

機器學習是整個人工智慧領域中為商業產出最大價值的技術,其中監督式學習尤其重要。雖然機器學習的概念早在半個世紀前就存...

深度學習(Deep Learning)​

這個機器學習的分支利用多層次的人工神經網路透過數據學習,其中兩種最為主要的類別為卷積神經網路(CNN)以及遞歸神經網路(RNN)。

CNN較適合如圖片、影片等的空間數據類型,透過不同階級的特色來識別圖像,例如從一個鼻子的特徵、眼睛的特徵、嘴巴的特徵、三者彼此的關係為何、再到最後變成一張人臉。CNN的發展對於需要快速識別周圍環境的自動駕駛至關重要,同時圖像識別的技術,也是工業4.0的核心技術之一。 RNN則較適合如語音、文字等的序列型數據,不同於其他的神經網路,對於RNN,所有的input都是相連的,所有處理過的資訊都會在訓練的過程中被記住,而也是這特色,讓它非常適合處理自然語言。

雖然神經網路的技術早在數十年前就被研發出來了,但當時的環境不僅數據匱乏,運算速度以及成本都導致深度學習無法成功帶進商業環境。然而隨著運算速度大幅的提升、運算成本大幅的降低、以及演算法變得更加成熟,如深度學習一般的技術也開始被頻繁的應用在商業環境中。 

集成學習(Ensemble Learning)​

集成學習是為了降低模型偏見、變數、以及提高準確度而根據不同種類的數據,在各個階段應用不同的機器學習演算法來訓練模型的演算法。 集成學習在數據非常複雜,或是有多種潛在的假設時非常實用,因為它能夠根據不同的假設建立模型,以定義出更明確的方向。

人工智慧將如何創造價值?

在一次MGI的研究當中,相關團隊發現先進AI技術(深度學習)將會在未來創造3.5~5.8兆美金的潛能。而其中研究所包含的技術包括前饋神經網路(Feed forward neural network)、循環神經網路(Recurrent neural network)、卷積神經網路(convolutional neural network)、以及其他先進的AI技術。

在這當中,創造最大價值的領域為行銷與銷售以及供應鏈與製造,兩者相加占比了整體數值的79%,高達2.6~4.6兆美金。

Author: Masa Chen

Masa Chen為台北辦公室的資深合夥人,主要業務範疇為協助先進亞洲之企業轉型。

Close Menu