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?
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。
- 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。
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
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。
- 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。
- 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。
- 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;
- 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。