Skip to Content

你真的需要Deep Learning嗎

你真的需要Deep Learning嗎
Gordon Lau
2021-09-14

不知大家有否親歷過類似的情況:一位講者在侃侃而談,講解其公司/組識未來資訊科技發展的宏圖大計,如何使用人工智能(Artificial Intelligence)、深度學習(Deep Learning)去 提升公司效率,更可大大增加盈利云云。筆者當然亦曾在類似情景之中,每次聽到用深度學習解決問題時,筆者例必竪起耳朵,細聽到底深度學習是用作解決其公司/組識當前遇到的甚麼問題。結果往往令筆者大失所望,很多這些宏圖大計都是流於表面,花了許多時間去討論大方向,討論抽象的策略,卻不見有討論過實際運作方案的Technical Details

為何會出現這樣的現象呢?筆者認為是因為由於普遍大眾對資訊科技界認識不深,有一些科技用語由於聽起來很厲害,就往往成為含混的重災區。人工智能看起來很科幻,Deep Learning(深度學習)聽起來也很莫測高深,作為一個Pitching的題目也很吸引,所以往往就通通「炒成一碟」,務求提過所有科技Buzzword,演講就可平安過關。

甚麼才算是人工智能

人工智能其實有悠長歷史,由上世紀50年代開始就已有人工智能的概念,定義也有廣義與狹義之分。這是一張筆者數年前分享的示意圖。

人工智能 與 數據科學 重疊之間 是 機構學習

當中所謂的推理機,其實就是將知識以IF-THEN-ELSE的方式表達。 所以最基礎的if-else ,其實也算是最廣義的「人工智能」! 例如你的冷氣機,可能就有以下一段程式碼,當溫度低 于22度時,就會自動關閉製冷;高于22度,就繼續製冷。

let temperature = sensor_input() 
if (temperature < 22){
    turn_off_compressor()
}else{
    continue_compressor()
}

室內氣溫太低就關冷氣,太高就開冷氣。 這種簡單的程式,展現出來也是很具智能的表現。人工智能之價值不在於實行難度,而在解決實際問題之上。

以下一幅網絡趣圖既有趣,更反映現實。

網絡迷因圖:打開 AI 後發現只是 if-else

Source: 9Gag

大家心目中不少很厲害的AI產品,背後也必然運用了很多if-else。大家可能因此大失所望,AI不是正在改變世界嗎?背後竟然只是if-else。這其實反映了一個想法:

就是普遍大眾認為if-else很簡單,是低級技能; 而AIDeep Learning等技能很複雜,是高級技能。

這是一個非常常見的誤解,Deep Learning並不取代if-else,兩者是相輔相成關係(Supplementary relation)而不是競爭關係(Competitive relation)。

要理清兩者之間的關係,筆者認為用一個人工智能階梯(Ladder of AI)就最好不過。

人工智能階梯

人工智能階梯,最底為 if-else,然後是機械學習,最後是深度學習

階梯1: 傳統編程

本質上,編寫程式其實就是在編寫「人工智能」,電腦能在定時定候提醒日程、能夠快速計算試算表內的數字、能夠在千分之幾秒快速找尋資料,這些全都是智能的表現,不需要去到「智能叛變」的程度啊! 編寫程式,其實就是人工智能階梯最底一層。

階梯的最低一層並不代表傳統編程比「機器學習」要弱,僅僅代表有些問題,傳統編程可以更直接簡單解決,反而機器學習會舉步為艱。 要計算1 + 13 * 20 - 25這些簡單數學,傳統編程語言只需要一兩句,用上Deep Learning反而簡單問題複雜化,例如在這個例子裏,就是運用Tensorflow去訓練一個模型,去計算加數。 編寫、訓練這個模型固然複雜,可惜就算這樣計算出的結果,也不會是百份百準確,例如計算2000+3000會輸出5095.9385,在機器學習中的迴歸 (Regression)已是不錯的結果,但數學老師只會給你一個零雞蛋。

為何不是百份百準確呢?因為本質上機器學習是基於統計運作(Statistical Nature)之算法 ,工程師要提供輸入(Input)及輸出(Output),電腦就通過估算得到結果得到一個模型(model),但結果不會是完全精確(Exact)。 大家心目中的2000+3000 == 5000這個算法,是一個分析解答(Analytical Solution),也就是必然是精確的答案。

if-else 與 machine learning 的比較圖

精確的答案和大概準確的答案那個較好呢?當然是必然精確的答案更好。如果一個問題能夠使用傳統編程解決,寫if-elsefor-loop就能夠迎刃而解的話,是 完全沒有必要再向階梯上層移動。正如大家食水果的時候,用水果刀切就可以了,總不會用電鋸去切吧?殺雞不用牛刀,筆者認為是一個很基本,卻又很容易忘記的原則。

階梯2: 機器學習

在階梯上上移一層,是機器學習(Machine Learning),也就是使用統計方法(Statistical Methods)去作預測的領域,由於是用統計方法,所以機器學習需要大量的原始數據(Raw datasets)去幫助電腦調較參數。因此機器學習的第一步,經常是需要收集大量數據,數據愈多,機器學習之學習方法就愈能在其中找出預測的Pattern。

機器學習並不在每個問題範疇(Problem Domain)都得到廣泛應用,以下是一些常見的機器學習問題,等筆者一一解釋:

  • 分類 Classification: 根據數據特徵(Feature)分成不同類別(Class),例如物件識別(Object Detection)、人面辨識(Face Recognition)等。分類問題的特點是類別皆是有限而離散(Limited and Discrete),也就是只會在有限選項中選出結果。
  • 迴歸 Regression: 根據數據特徵計算出一個數值之結果,例如估算顧客在網購平台上消費金額、根據不同因素估算房屋價錢。迴歸問題的特點是結果是連續(Continuous),結果可以有無數多個。
  • 聚類 Clustering: 根據數據特徵分成不同類別,與分類最大分別的是,分類中的類別是已知的類別: 例如男/女、紅/綠燈等等。聚類中的類別是未知類別。所以聚類是一個描述性(Descriptive)機器學習算法,而分類是一個預測性(Predictive)算法。消費者分析是一個常見的聚類應用,企業可以通過聚類分析,找出不同之顧客族群。
  • 異常檢測 Anomaly Detection: 在大量數據中找尋常見的pattern,從而偵測到不常的現象(Anomaly),網絡安全常常會運用這個技巧,因為網絡入侵正是一個異常事件,運用統計方法去找出異常,正是機器學習的強項。
  • 降低維度 Dimensionality Reduction: 在機器學習之中,有一個著名問題稱為Curse of Dimensionality,意思就是在一個有許多維度(Dimension)的數據之中,會遇上不少很難解決的問題。一個常見的做法是將對一個有許多維度進行降低維度的動作Dimensionality Reduction 的動作,就可以減少問題出現。

大家可以發現,以上五類問題都與統計學有密切關係,機器學習本質就是統計學與電腦科學之結合,因此不少機器學習的問題,都是需要運用統計學方法。 大家習慣解決絕大多數的業務邏輯問題,例如「如果A條件發生,就會執行B動作」或是「運行C動作30次」這些情況,其實都無須用到機器學習的算法,只需運用if-else就能輕鬆解決。

筆者在這裏推介一個很好的網站,可以讓初學者學習何謂Machine Learning。 下圖是一個KNN分類(KNN Classification)的應用,這個算法可以算是機器學習的ABC。

KNN 圖型示範

階梯3: 深度學習

最後就是最受人誤解的深度學習(Deep Learning),深度學習泛指任何使用人工神經網絡(Artificial Neural Network)去解決機器學習之方法。深度學習的應用範圍其實與機器學習很類似,還有像生成式對抗網絡(Generative Adversarial Networks)或強化學習(Reinforcement learning)等進階應用。

深度學習(Deep Learning)比傳統機器學習算法優勝的地方,在於深度學習可以在更多數據時,持續改善準確度(Accuracy),因此非常適合在大數據時代運用,因為現今可以在互聯網及智能電話應用中收集大量數據,就能大大改善準確度。同時深度學習亦比機器學習更能處理大量特徵的問題,例如在傳統的機器學習中,解決人面辨識常常需要用人手由圖片提取特徵(Feature Extraction),與之相對,深度學習的卷積神經網絡(Convolutional Neural Network),可以直接運用圖片的像素作為輸入,大大減少人手提取特徵的成本所在。

深度學習 與 傳統機械學習 比較

當數據量較少的時候,深度學習並不比傳統機器學習要好,只是在數據量龐大時,能夠比機器學習有更接近人類的表現(Human Level Performance)。隨著數據量漸多,傳統 機器學習方法會出現飽和,深度學習則能持續改善。正是這個性質,令深度學習大數據時代,大放異彩。

你真的需要Deep Learning 嗎?

返回這篇文章之主題,為數不少的組織都希望運用深度學習/人工智能去解決公司的業務流程之問題,但筆者認為首要的是先要細看到底組織化自動化(Automation)程度去到何等程度。 要圖像化表達這個概念,最適合的就是以一個自動化光譜(Automation Spectrum)去表達。 空談比較難以理解,就以日常寫信為一個例子:

自動化的分類

  • 手動: 以紙筆寫信,再用信封寄出,最終由郵差送到收信人手上。
  • 少量自動: 以Word打字寫信,再列印信件,最終由郵差送到收信人手上。
  • 半自動: 以Gmail軟件寫信,再逐封直接用電郵寄出。
  • 大量自動: 利用如MailChimp的Marketing Automation軟件一次過向許多收信人發送電郵
  • 全自動: 利用人工智能自動分析電郵內容,再直接自動回覆合適的答覆

手動的程度,自然不會多說,根本連電腦都未曾應用,更遑論任何自動化。 而中間的三個程度(少量自動半自動大量自動),其實都只需運用上面所述的最底層,也就是寫if-else 就綽綽有餘,不需也不應該動用到機器學習深度學習,成本更低,完成問題的速度也更快。

僅僅是到了最後全自動的程度,也就是不需要人類參與,就可以自動回覆電郵,我們才真正需要動用第二、三梯級的機器學習深度學習。 由這個例子可見,運用人工智能故然是自動化的一大主題,但於大多數公司而言,自動化更重要的是將「編程可以解決問題」這個概念帶入公司,才是 實施自動化之最重要一步。

Comments

Read More

Data Science? AI ? Machine Learning? 到底有何分別?

Data Science? AI ? Machine Learning? 到底有何分別?

Data Science? AI ? Machine Learning? 到底有何分別?
Gordon Lau
2018-11-23

近幾年大家經常聽到 Data Science(數據科學)、AI(人工智能)、Machine Learning(機器學習)、 Deep Learning(深度學習)等等詞彙, 以上的名詞的意思好像差不多,但又並非完全一樣


做個精明消費者 : Python 簡單數據科學日常應用例子

做個精明消費者 : Python 簡單數據科學日常應用例子

做個精明消費者 : Python 簡單數據科學日常應用例子
Brian Tsang
2019-03-27

相信讀者或多或少都會有需要去香港超級市場購買家居日常用品的經驗.而從小我們都知道貨比三家,格價理財的基本消費原則. 不知道讀者會否知道香港有消費者委員會, 在消費者委員會的網上推出了網上格價一覽通, 讓我們每日得到六間超級市場的相同貨品的價格資料.


非結構化數據

非結構化數據

非結構化數據
Gordon Lau
2019-05-08

近年數據科學及人工智能發展迅速,大眾開始對數據(Data)有很大興趣,甚至有「數據是未來的石油」(Data is the new oil)的講法。很容易會聽到如大數據(Big Data)、數據導向決策(Data Driven Decision)、數據化組織(Data Organization)等等與數據相關的詞語,其中重點,不外乎都是如何運用已儲存的數據,通過數據處理及數據分析,從而得出結論,幫助決策。筆者今日希望談談的,是另一個技術用語,與大數據一詞經常一齊出現,就是非結構化數據(Unstructured Data)。


利用 Puppeteer 刮取社交媒體資訊

利用 Puppeteer 刮取社交媒體資訊

利用 Puppeteer 刮取社交媒體資訊
Alex Lau
2019-07-16

一般初學者會用 Scrapy 或者 BeautifulSoup 去作網頁刮取 (Web Scraping),這種方法的以 Python 直接向 Web Server 送出請求,速度可以很快,省卻一般瀏覽器下載 HTML 和 CSS 等時間。不過,某些網站為了防止自己的內容被刮取,或者源於原本網站設計的複雜程度高(如 Facebook、康體通、實時股票網站等等),需要使用大量 JavaScript 去渲染畫面,都使到這些刮取方法失效。


分析「保就業計劃」數據,超方便隨時網上更新分享分析結果 (Microsoft Power BI 版本)

分析「保就業計劃」數據,超方便隨時網上更新分享分析結果 (Microsoft Power BI 版本)

分析「保就業計劃」數據,超方便隨時網上更新分享分析結果 (Microsoft Power BI 版本)
Andrew Shek
2020-09-02

根據工貿署2020年3月數字,中小企是佔本港商業單位總數98%以上,但是從「保就業」數據當中得知,中小企只是佔13.6%。可以等第二期結果出爐再統計一下。從數據分析得知,就算派得最多錢唔代表可保就業。成功申請的中小企比較小;大部分資助落入0人企業和微型企業手上,造成分配不公。成效成疑。同時從中反映出成個計畫審批唔透明,無完善監管機制阻止濫用。政府需要好好檢討完善成個計畫。


Request Syllabus
Please check your email after submissions.
hello@tecky.iot.me/tecky_hub+852 9725 6400
green_org
Caring Company 2019-2022
TQUK Approved Centre
aws_partner
Reimagine Education Challenge Award
B Corp™ Certified B Corporation
Web Content Accessibility Guidelines (WCAG) 2.1 at Level AA
Web Accessibility Gold Award
© 2024 Tecky Academy Limited