2018年技術趨勢的兩大共性
作者：Oliver Schabenberger
也許在2018年，我們將不再只把AI視為「人工智慧(Artificial Intelligence)」，而將它作為一種「輔助資訊(Assistive Information)」技術。
2017年形成的許多技術趨勢在2018年仍將繼續：聯網設備、數位轉型、物聯網(IoT)、機器學習、人工智慧和自動化。
這些熱點話題仍隸屬2018以及之後最流行的科技詞彙。我認為實質性差異在於技術的融合。AI和IoT本身就具有變革性，現在可以想像，人工智慧物聯網（artificial intelligence of things）將促使互聯網和自動化世界的影像數位化轉型。
步入2018年之際，我認為科技表現出兩個共同特點：「智能化」和「自動化」。
智能化
如果我們想實現智慧工廠、智慧城市、智慧汽車和智慧家庭，那麼其支援系統也要智能化。這需要一套主動性及即時自主學習系統，來產生與優化通用的規則。
人工智慧在過去十年取得重大進步得益於「監督式深度學習」的支持：訓練深度神經網路執行特定的單一任務。所謂學習被監督，指已經提供了大量的範例(大數據)給演算法，且其被告知了正確答案（標籤)。
這種深度學習十分強大，可以構建超出人類能力的系統。史丹福大學(Stanford University)科學家訓練了一種診斷皮膚癌的神經網路，準確性達到執證皮膚科醫生的診斷水準。訓練過程所用的醫學圖像超過129,000張。
人的學習方法已與過往相去甚遠; 我們不需要大量的資料。亦可說，機器處理資料的速度比我們快得多:訓練演算法往往比訓練人類專家更快。主要限制因素僅在於需為大量高品質訓練資料提供正確標籤。
而目前我們正開始轉向學習速度更快、所需資料更少、表現極為出色的「非監督式學習系統」。從2018年開始，我們將看到基本不需要被監督的增強式學習-超越遊戲互動。(DeepMind團隊的AlphaGo Zero)系統以遊戲規則為基礎，完全被訓練成自行對弈。)
供應鏈優化、客戶旅程、預測性維護、資料中心管理和樓宇自動化是基於規則基礎(Rule-Based)的系統應用案例。現在我們已可利用這些規則，來迅速訓練系統來產生比人為邏輯更強的規則。
對監督演算法訓練的優化投入了巨大努力，如今，焦點轉向如何優化非監督式方法與真實模式的關聯，並在複雜的環境中採取最佳行動。
自動化
如果可以自動執行任務或流程，人們一定會採用這種方法。自動化不僅在於使人能夠將精力集中於更高價值的任務，而且可以提高營運效率和重複性。自動化已成為不可或缺的技術。我們生活在大數據時代，資料量一直在不斷增加並被物聯網擴增。
分析是獲得洞察和創造物聯網價值的關鍵所在。分析自動化已成為解決大量被資料驅動出的問題，所需要的必要手段。
資料科學家指出，他們有80%的時間用於角力(wrangling)、清理和整併資料為分析做準備。如果實現自動資料管理，讓這些訓練有素的人員可以專注於從資料分析中擷取出價值，能想像這對他們工作滿意度可提高多少嗎?
機器學習和人工智慧是幫助實現自動化的技術。但這卻讓很多人感到不安：
- 人們不會對只需少量技能以及基本上不需要培訓的簡單任務要求自動化。街頭播報員這個職業早已沒有了。如今，自動化針對的是需要對人進行大規模培訓的崗位—例如法律助理和醫療專業人員。
- 人們對機器學習和人工智慧的信任還沒有達到對其它自動化技術的信任程度—人人都信任影印機或傳真機。機器學習和人工智慧系統無法解釋它們是如何工作以及做出決策是主要的信任障礙。
- 人們有時會把自動與自主混為一談。自動化任務不是代替人類做決定，人類仍然可以保持控制權。事實上，人們還沒有準備好改變他們與數學和邏輯之間的關係。人們喜歡自己能夠理解並加以整理的邏輯。軟體利用電腦系統以人們已知的方式去處理資訊，因為這是他們編寫的代碼。當出現錯誤時，人們可以調校並糾正邏輯。
這類人工智慧系統的預測、分類和推演能力令人感到驚訝，不是因為它們直覺靈敏，而是因為人們不瞭解這些系統的邏輯。這並非直覺，亦難以預測。這就是為什麼公平性、責任認定和透明性現在是人工智慧的主要研究領域。
精確地說，正是因為演算法的學習方式與人不同，因此人工智慧對事物的看法也不同。它們可以察覺人類觀察不到的關係和模式。
正如Tom Gruber在其TED演講中指出的，我們應該討論的是機器和演算法如何使我們變得更聰明，而不是我們如何使機器變得聰明。也許我們不會讓演算法自主操作供應鏈，而是期待它提出下一步行動的建議。這種建議可能會讓我們大吃一驚。
像所有技術一樣，AI是輔助技術。也許在2018年，我們將不再只把AI看成是「虛擬人工智慧」，而將它作為一種「輔助資訊」技術。
Oliver Schabenberger是SAS全球執行副總裁、營運長暨技術長。主要掌管SAS多個部門，包含研發中心、業務、行銷、資訊科技以及客戶支援；也負責開發物聯網、金融風險管理以及雲端運算等。Schabenberger擁有維吉尼亞理工大學的博士學位，他本身還是三本統計學教材的共同作者，同時為美國統計學會會員學者。
本文原文刊登於《Infoworld》，版權由作者持有。
