以數據資料驅動人工智慧的思維
撰文者: 智慧城鄉處 副處長 白弘杰(Jet)
這幾年，科技的關鍵詞已從大數據轉為AI人工智慧，這個名詞不是個新名詞，但卻是因為科技運算能力的強化讓人工智慧再次崛起，造就人工智慧鋪天蓋地席捲各領域產業，近期有機會參與了「台灣人工智慧學校」課程內容，並有幸聽到新創GDP（Global Digital Payments）執行長黃俊傑分享AI市場趨勢，有感而發，認為AI並非萬能。
-
▲ 台灣人工智慧學校課程
-
▲ 黃俊傑執行長(右二)蒞臨演講
AI人工智慧顧名思義是「人類」所創造出來的智慧，因此，而是需要我們定義領域問題及學習訓練資料等前置作業下，AI才能帶給我們方便的智慧決策，因此我們不禁要問問自己我的產業領域真的適合AI嗎？這個問題的答案或許我們可以透過以下面向思考：
資料是未來最重要的養分
好比小孩成長階段學習顏色認知，父母需要藉由周遭不同顏色且大量的事物並且告知正確的顏色，然後傳達到小孩頭腦記憶不斷學習後才可以辨別顏色，有鑑於此，人類尚且需要透過不斷地學習才能獲得智慧，那就更不用說AI了，實踐人工智慧的過程中，大數據資料成為未來判斷事物的養分(Training Data)，再藉由AI不斷地統計分析、機器學習、深度學習等運算處理及歸納，了解判斷問題的邏輯所在，才有辦法在未知的未來協助判斷問題，因此在導入AI之前我們應該先思考內部「是否有足夠的數據資料？」、「資料蒐集的即時性？」及「資料彙整的品質？」。
定義數據背後的含義
過去經常聽到有人分享「資料、資訊、知識、智慧」四個名詞的差異性，然而Gartner報告給予我們不錯的解釋，資料屬於原始沒有淬煉的數據(Raw Data)，將資料進行分析後所產生的價值及難度可分成四個階段：描述型分析、診斷型分析、預測型分析及指示型分析，並且定義出可解決問題的陳述，「發生了什麼？」、「為什麼會發生？」、「未來會不會發生？」、「如何讓它發生？」，因此針對我們預期想解決的問題可以思考座落在哪個階段，如果是描述型與診斷型或許透過傳統的商業統計分析即可解決，而具有預測型及指示型的分析亦屬於人工智慧。(資料來源：人工智慧學校)
有了資料，接著需要有對的人來分析
雖然說人工智慧的基礎是資料，然而要做一道好菜除了需要新鮮的食材外，最重要還需要有懂食材的廚師來料理，因此AI時代的來臨，資料科學家、機器學習工程師等職業反而成為顯學(請參閱產業創新六個重要AI概念)，在準備好預計分析的資料時，建議需同時培養了解領域資料的分析人才或AI專案管理人，以近期獲取台灣人工智慧學校課程內容不難發現人工智慧的基礎在於統計學、機器學習、深度學習等資料科學領域知識，並將上述技術應用至不同領域進行資料挖掘與學習判斷，因此AI團隊的建立需要透過。