AI思惟

AI思惟

Because AI(Artifical Intelligence),becomes AI.(Argmented Intelligence)
因為人工智慧，從而擴增智慧。

第一章 AI的憧憬與實現
▷推薦系統的概念主要分為兩種：這兩種方法也可以彼此搭配混用，但關鍵都是需要建立出所謂的預測模型。

1. 內容過濾法Content filtering：此方法根據物品的各種特徵值，找出其它具有類似相似性質的相似物品並發展出預測模型。
2.  協作過濾Collaborative filtering：主要是根據使用者的歷史行為，例如購買過的物品、瀏覽過的東西或是評價過的物品等，並結合其它用戶的相似行為來建立預測模型。

第三章 從解題變訓練
▷運算思惟Computational thinking：

• 「解構」(decomposition)的能力：運算思惟面對問題或挑戰時，會先將問題拆解成數個更小的問題，以降低複雜度。
• 「規律辨識」(pattern recognitionb)：緊接著從拆解的小問題中，逐一檢視是否存在過往熟悉的規律或模式。
• 「抽象化」(abstraction)能力及設計「演算法」(algorithm)的能力：再來我們會試圖將問題抽象化，以方便找出解決問題的步驟。

▷要讓電腦像人類一樣解決問題，除了前文所提到的基於運算思惟外，另一種則是基於人工智慧思惟。這兩種思惟雖然同樣都是讓電腦擁有解決問題的能力，不過運算思惟是讓電腦照著設計好的步驟去解決問題；而人工智慧思惟，則是讓電腦經歷類似人類學習的過程，再由電腦根據自己產生的模型自動解決問題。
▷例如，假設人臉辨識方法是根據設計好的步驟，採用人臉特徵來進行比對，那在碰到遮蔽部分五官的人臉或側臉時，這些特徵值便無法計算，從而無法比對資料庫中的數據。反觀人類在相同情況下，卻還是有能力辨識出熟悉的人臉。這就表示我們辨識人臉的方式，並不是只依靠臉孔上的五官位置、形狀等特徵來識別。事實上，人類顯然不是依靠運算思惟的解題步驟來辨識人臉。換言之，面對複雜、變化多端或模糊不清的問題，甚至連我們自己也都講不清時，就更不用說將問題抽象畫化成解題步驟了。所以這也說明了，儘管電腦計算能力很強大，但是在智慧方面卻一直無法跟人類相比。因為在運算思惟下，它只是人類設計解題步驟下的執行者。
▷既然我們無法將自身的解題方法完整地教給電腦，那期望它能像我們一樣，在沒有任何限制的條件下解決問題，無疑是緣木求魚。因此，換個角度思考，如果能讓電腦像人類一樣，透過學習解決問題，那麼電腦是不是就能自己自己產生解決問題的能力？答案很明顯，以前的電腦作不好也做不到。但今天的人工智慧最特別的地方，正是可以如此。只要提供有關的數據給人工智慧去學習，我們不再需要給出解題步驟，電腦自己就可以發展出一個解題模式。由於這個解題模型不再是依據給定的步驟來解題，因此它更能用於面對模糊不清、複雜且變化多端的問題。
►人工智慧思惟的第一個關鍵是-不用管如何解題、步驟是什麼；重要的是取得什麼數據、如何訓練。

第四章 AI的五種能力：分類力、預測力、視覺力、語言力、推理力
▷分類力：人工智慧更能從數據中找出人類所無法看到的關聯性，進而發展出過去人類所不具備的分類能力。
→非監督式學習：人工智慧根據數據透過訓練，將所有數據實際分類後並評估分類結果。最後再決定，要用哪一個特徵來當分類依據，使得各類別內的數據彼此間具有最多的相同特徵。
→分類力應用：市場區隔(Segmentation)、追加銷售、交叉銷售。
→電腦可以運用分類力，自動歸結出具相似性的銷售類型。

第七章 數據先行
▷對於企業而言，數據驅動創新的第一步-也就是怎麼知道需要什麼數據，究竟是從何開始呢？

• 數據的描述性(Descriptive)是指可以用數據來解釋已經發生的事，就像是個事後諸葛。
• 數據的預測性(Predictive)是指能夠利用數據，預測未來會發生什麼事以及該如何因應。
• 數據的指示性(Prescriptive)，則是指透過運用數據，可以從整體觀指導運行步驟，獲得最有利的結果，並創造永續競爭優勢。

因此對於企業而言，數據驅動創新的第一步，可以先思考到底是要描述，還是需要預測，還是想獲得指示呢？
▷一種幫助數據驅動創新的方法是，讓企業內各種不同工作職能的人員問自己七個問題。

1.  現在可能發生什麼事嗎？
2.   有我需要知道的東西嗎？
3.   有要給我的建議嗎？
4.   有什麼該自動作的嗎？
5.   有什麼是未來會發生嗎？
6.   有什麼我該避免的嗎？
7.   有什麼我該決定的嗎？

再來下一步則是問題本身，回推出應該需要什麼數據，才能有效回答提出的問題。
▶為了讓第一代的AI先發揮功效，我們不需要急於投入大量成本完善數據。反而是有什麼數據，就進行什麼訓練。有了第一步成果，再看需要補什麼數據並再次訓練。這是一個反覆的迴路，直到建立出我們最終想要的AI。

第九章 AI思惟的企業運用
▷金融、零售、流通與服務等相關產業，大部分已經採用虛擬助理、自然語言處理等，而機器學習等則正在發展中，這些類型產業投入人工智慧的目的，主要是以改善對外服務效率、客戶體驗以及推薦服務等為主。
▷ 企業數位轉型可以分從四個方向切入，分別是「賦能員工」、「改善顧客體驗」、「作業最佳化」以及「促成產品轉型」。
▷ 企業目前將人工智慧運用在改善顧客體驗上，較常見的有聊天機器人、推薦引擎以及智慧定向廣告等。
▶定向廣告指的是根據客戶資訊，分析出他們是不是潛在的購買顧客，以及應該向他們投放哪一個廣告才最有可能成交。相較於先前的無差別廣告模式，這不僅是一種更具成本效益的做法，同時顧客不會被沒有對應需求的產品廣告所打擾，也才能避免不佳的顧客體驗。而利用人工智慧建立客戶畫像、定位目標客戶群體，相比以前的做法，自然更可以做到廣告的精準投放。事實是投放越精準，客戶體驗自然會越佳。
▷在企業轉型的過程中，以顧客為核心，提升顧客體驗，絕對是成功的不二法則。其中，人工智慧在改善顧客體驗已經有明顯效益，而且應用範疇從行銷個人化、顧客互動，甚至到行銷活動最佳化、決策方案制定等，可說是無所不在，人工智慧已是企業達成精準行銷的重要角色。
▷以「流程化機器人(RPA,Robotic Process Automation)用在幫助作業AI化為例，流程機器人就像是老鞋匠的「小精靈」，能反覆執行機械化、有規則可循的作業。這個小精靈會根據作業內容，自動謄寫或從其他地方取得相關所需數據，並串聯其前後相關作業。
▷流程機器人讓企業員工不用一直糾結在沒營養的作業流程衝，而可以把時間花在更重要的任務上，並且流程機器人對企業來說，不僅有助所短作業時間，更可減少錯誤發生的機率。
▷作業AI化的轉型，勢必有助於企業反應更快、更正確、更有效，成本也會更低。更重要的是，作業AI化可以單點突破，讓有需要或有價值的地方先開始。