人工智慧在台灣：產業轉型的契機與挑戰

 人工智慧在台灣：產業轉型的契機與挑戰

Part 1 人工智慧

第二章　機器學習是什麼？

- 機器學習與統計最大的差別在於它們的目的。

統計學的目的在於基於樣本(Sample)找出真相(Universe)。

例如全台灣2,300萬人口，能不能只選出1,000人各問他們幾個問題，

就能夠了解全台灣所有人的生活型態、就業狀態及政治傾向？

機器學習目的是讓電腦從歷史資料裡，學到如何處理新的資料以解決問題。
例如能不能從醫生的X光判讀結果，學習到怎麼看新的X片？
能不能從一個人的刷卡及繳費行為，預測她若借十萬元會不會準時還款？

- 深度學習與其他方法有個根本上的差異，在於是否能夠

自動進行「特徵工程」(feature engineering)。

- 在機器學習模型開發過程中，發想及定義這些衍生變數的過程，就叫做特徵工程。

- 簡單用一句話來說，深度學習帶來的最大貢獻就是，自動化的特徵工程。

不但自動化，而且可以找出比人類所定義的衍生變數更好、預測力更強的特徵。

- 傳統機器學習從資料學到規則，比起專家系統更為準確，

但傳統機器學習，需要人們基於觀測值來定義特徵(衍生變數)；

而深度學習連定義特徵(特徵工程)都幫我們做了。

而且一個深度學習模型，可以同時進行特徵工程以及規則學習，準確度還比以往更高。
- 無論選擇哪一種類型的題目，以及使用哪一種模型，資料都是專案成敗的關鍵。

以最常用的監督式學習來說，若觀測值與決策的關聯性低、雜訊太高，或是資料量不夠大，
都會影響機器學習的準確度。

Part 2　人工智慧與產業發展

第五章　產業人工智慧化經驗談

- 根據國際研調機構顧能(Gartner)的一篇報告，資料分析可分為四個層次。

這四種階段，分別要回答不同問題

1.描述型分析是為了解釋「發生了什麼」

2.診斷型分析則是告知「為什麼發生」

通常將這兩種資料分析型態歸類於傳統商業智慧平台的能力，還不屬於人工智慧。

- 3.預測分析能解釋「未來是否發生」，與4.指示型分析說明「如何讓它發生」，

就屬於人工智慧的範疇。因為預測和指示，是擁有人類智慧才能進行的工作。

- 描述型分析評估現況及了解問題，解釋型分析提供問題的初步判斷，

而預測及最佳化提供改善和解決問題的工具。

- 描述型分析指的是利用統計及資料視覺化，將事實呈現出來，幫助觀看者正確評估情勢；

其中，一個重要但常被忽略的目的是，找出無法從原始資料中判讀出來的隱性資訊。

- 零售業與金融業的共通日常決策問題之中，最常被關注的應該是發送廣告文宣。

針對某份文宣，篩選出哪些客戶可能較感興趣，畢竟發送文宣需要成本，同時也避免讓收件者反感而退訂。篩選客戶的演算法稱為推薦系統。

- 在推薦系統之外，如何設計個人化文宣也是門學問。

個人化文宣指的是，內容並不完全由行銷團隊設計，而是透過以演算法，根據顧客的屬性及購買行為，來進行全自動的量身訂做。

- 在金融業中，人工智慧的應用可以大略分為五個面向：風險、行銷、服務、市場及作業流程。
風險面向就是對未來風險盡可能的精準預測，這裡提到的風險，

主要是信用風險、市場風險、流動風險及作業風險等，

保險業的情境裡包含保險精算，銀行業的情境裡包含預測帳戶的盜用甚至買賣，以及信用卡盜刷等。
- 在行銷及服務面向，發送廣告文宣及個人化文宣設計就是一例。

同時，也可以將機器學習應用在商品及服務的改良。

例如改良網頁及手機APP介面、信用卡的優惠設計、保單的參數組合、設計行銷活動，甚至到分行的抽號機制及座椅安排，都有許多發會的空間。
- 再進一步，以文字或語音客服機器人來提供理財顧問，或保單規劃的服務，也都在可預測的未來之中，大幅延伸金融業的客戶服務範圍。
- 對於金融市場的掌握度，無論是大眾熟知的投資工具，如股票、基金、ETF、債券，或是與總體經濟息息相關的利率、匯率，無論希望做某種程度的預測，或設計交易策略，或是設計衍生商品，或做市場撮合(market making)，機器學習與深度學習都是重要的關鍵技術。

Part 3　迎向未來的準備

第九章　給白領工作者的建議

- 若要讓人工智慧發揮所長，企業必須容許及鼓勵實驗，允許各種嘗試與變化，要知道實驗可以幫助我們確認未知，但也可能會犯錯，甚至導致更差的成效，因次企業必須有容錯的機制及文化。
- 最理想的做法是，在實驗的各種變化中蒐集資料，建立更好的機器學習模型；

接著再以機器學習模型去導引更好的實驗設計，蒐集更多的資料，在實驗與人工智慧建模的反覆運用中，逐漸找到業務執行的最佳做法，同時也讓人工智慧更聰明，能夠為未來的需求做出指引。