人人都能學會用AI — 書摘心得
不用寫程式也能主導AI的專案!
前言
最近幾乎不管什麼東西都要與「AI」參一腳，什麼東西好像加上AI都會比較高級，像是用AI挑選的生鮮蔬果、導入AI的投資規劃…等，雖然這些看起來是近幾年才流行的領域，但AI的應用早在這之前就已經開始研究了。
像是我們使用已久的Google翻譯、耳熟能詳的自動駕駛，早在AI「廣為人知」之前就已在研究了，只是隨著AI的發展而有了更大的進步，讓這些領域的應用更臻於完美。
隨著領域的深入，AI主要可以分為三種：一般泛指的AI、機器學習以及深度學習。一般泛指的AI，是指Artificial Intelligence(人工智慧)，並沒有專指「哪種實現的技術」；機器學習，則是利用機器「學習」資料並執行特地任務；而深度學習，則是「更進階」的機器學習，模仿人類的神經學習方式的AI，像是常聽見到卷積神經網路就是一種深度學習。
AI看起來如此強大及艱澀難懂，似乎不管做什麼都要寫程式，但其實並不用。今天要介紹的就是，非程式領域人才也可以做到AI應用的事情，用一句話來概括，只要是「非程式」的部分，都是文科人們可以參與的喔。
文科人在AI領域可以做的事
除了寫程式碼以外的工作，其實都是文科人可做到的，以下列舉幾個在AI專案中常見的職責
- AI企劃
5W1H的企劃構思，跟構思一般的企劃一樣，只是應用於AI領域上，想想機器可以幫我們什麼。 - AI導入評估
事先評估各AI的優缺點，看哪些適用於專案，是否需要投入大量成本，可以由非程式人員也執行嗎?…等 - AI維運管理
負責維護資料、採購…等，都是文科人可以做的事情。 - AI共事力
最後的是學習整合AI的能力，也是最重要的能力。主要有四個步驟：學習基礎知識、了解AI的建立方法、磨練AI專案的企劃力，最後是大量案例學習。照著這四個步驟深入了解並廣泛學習，讓你成為能在AI領域工作的文科人才。
AI的種類與介紹
3大類機器學習方式
同一類型的AI可能會用以下任何一種方式進行學習，像是同樣都是辨識物體，有的會用監督式學習，有的則是用強化學習的方式。
根據不同案例和專案規模的差別，都有可能會用不同的學習方式，挑選適合目前執行的專案就行了，而一般是監督式學習比較好上手，適合入門的嘗試與學習(自己也是打算從監督式的學習開始嘗試)。
1. 監督式學習: 有答案的學習
透過提供AI”正確答案”，讓演算法能夠對於資料有正確的辨識。例如，給予已經確定是貓咪的照片，讓機器學習能夠掌握”貓咪的特徵”，之後讀取任何照片時，判斷照片中有貓咪。
2. 非監督式學習: 沒有答案的學習
讓機器自動分組歸類資料，因此是個相對不容易上手，可能需要在演算法中下功夫的學習方式，因此屬於程式方面占比相對重的學習，文科人可能比較難插手，或許做的就是給予改善方向，提供”想要達到”的目標。
3. 強化學習: 賞罰分明的學習
以目標達成式的學習法，讓機器不停地進行訓練，並透過賞罰的分別，讓機器得知該往哪方面改善算法，像是讓機器學習玩電動，很明顯的賞罰機制，例如得分(賞)和死亡(罰)，讓機器學習如何通關，以及下圍棋、自動駕駛…等都屬於此類型，也是近期非常熱門的機器學習方式
4x2種AI
作者將AI分為以下4 x 2 種，大部分的AI幾乎都可以歸類在這8種之一，可以透過分類AI，讓我們更好地評估各類型AI的優缺點，以及更容易了解你的專案適合用哪一種的AI，比較不會盲目地做選擇，畢竟AI不是萬能的呢
4大類型
- 辨識型: 看見後辨識
- 預測型: 思考後辨識
- 對話型: 對話交談
- 執行型: 讓物體動起來
2種
- 替代: 替代原本人類能執行的。
- 擴展: 做以往人類做不到的。
實際如何應用AI
接著介紹如何在專案中實際應用，主要是一些不用你動手寫程式也能做到的部分，就是前面提過的規劃、。
1. 掌握AI特徵並製作
最需要注意的是，AI程式”不會”知道你的資料代表什麼，所以你必須做好定義，將資料和需求做好確實的分類，做好前期的資料整理非常重要，AI並非只要隨便丟個excel表格，就可以產生你心裡所想的結果。
2. 規劃AI目標
AI專案通常為目標導向，因為你要有設定好的目標，你才能讓AI有”足夠”的預期數值來判斷是否達到預計的理想值。例如此次專案目標為，讓AI能夠預測合適的面試者，就可以根據預測的值，來看是否與以往的紀錄相關，依照目標去調整分配等等。
3. 製作、處理資料
需要將資料調整成”機器”可以讀取的形式，並且定義哪些為”解釋變數”(輸入值)或”目標變數”(預計值)。
4. AI學習
建置AI模型(GUI或程式)，設定學習次數和學習後的權重改變(讓演算法知道哪些需要改善)等等，這些目前都可以透過GUI達成。
5. 執行預測與再度學習
執行AI的運作，輸入所需要的資料和察看輸出的結果，檢查是否有偏差並進行改善，重複此階段執行的行為，直到符合預計的結果。
總結
不要「過度高估」與低估AI
AI並非萬能，需要評估哪些是AI可以做到的，目前是否有成本投入研究這方面，哪些領域在導入AI之後會有大幅進展，哪些適合先進行小規模試驗等等，都是在使用AI之前該好好研究的。
也別低估了AI，AI在一些領域的應用上已經相當成熟，尤其是資料處理、影像辨識等等，大多都已經有現成的套件可以使用，甚至也有便利的操作介面可以讓人輕鬆嘗試，成功導入AI之後，或許只要投入少少的成本，就能大幅降低以往重複性作業的成本呢!
資料處理與非AI不可的原因
前面也提過，在應用AI5個步驟中的資料準備，是其中最重要的，因為你必須將數值都準備好，把離群值(太大或太小)的數值去除，而且只選出「適合的」資料，把一些不重要的資料（也叫作雜訊）剔除，補齊缺少的值…等，這些都要在前期仔細處理，否則就像俗話所說，「garbage in grabage out」，你餵垃圾給AI，那AI也會吐垃圾給你。
最後，不要盲目使用AI，並非所有專案都適合導入，在企劃時就要好好想想「AI 的 5W1H」：
- WHO: 目標對象是誰? 一般大眾(B2C)? 企業(B2B)? 還是政府機構?
- WHY: 非AI不可的原因?
- WHICH: 哪種AI?(可以參考以上提到的4 x 2種)
- WHAT: AI的目標? 解決什麼問題/需求?
- HOW: 如何分工? 執行? 需要哪些人才?
- WHEN: 企劃的時程，何時導入AI，AI的學習時間等
以上六點都想清楚之後，執行專案就會更加順利，往正確的目標邁進，發揮AI最大的效益，算出我們心中的「預計值」！