展開廣告
HOT 滿意度大調查 雜誌79折 便當展7折起 墨鏡$299

:::網站搜尋

4.5 AIQ：不管你願不願意，現在已是AIQ比IQ、EQ更重要的時代

AIQ：不管你願不願意，現在已是AIQ比IQ、EQ更重要的時代

中文書
商業理財
9折$ 405
4.5 /5
1位讀者評分
5
100%
4
0%
3
0%
2
0%
1
0%
立即評分

全部書評 | 共1則書評

評鑑星等(可複選)
評鑑日期
user-img
笙仔
4.5
|
2019/05/26
劇透警告
如同書背推薦文字所陳述，「AIQ：不管你願不願意，現在已是AIQ比IQ、EQ更重要的時代」是用七位在人工智慧發展史上有舉足輕重的人物故事來引導出此門學科最關鍵的一些思維。隨著人工智慧佔據媒體版面的比例增加，各式各樣的評論、分析、專書和新聞，都交錯使用著「機器學習」和「人工智慧」兩個名詞，精確地說「機器學習」是實踐「人工智慧」目標的一種技術，而在大數據時代，機器學習以數據趨動模型，利用模型來模擬人工智慧的做法，目前是CP值最高的，也因此兩者常常混為一談。

七個故事帶出了七位人物，也展現了七個影響數據分析領域的重要觀念，隨著閱讀「AIQ」的各個章節，讀者們也更為深入地理解AI的主成份。首先登場的是二次大戰中的統計學家「亞怕拉罕.沃德」，他針對盟軍安全返航的轟炸機所進行的統計作業，常常做為「倖存者偏差」的故事為人津津樂道。作者卻指出這個故事真正的價值不在於沃德天才地發現轟炸機引擎是最需要強化的部份(因為這種「發現」並非反常識)，而是他對於遺失的數據資料進行了大量的重現，以完成轟炸機脆弱部份的「條件機率」統計，「條件機率」也是現今眾多電子商務推薦系統的核心觀念。提到推薦系統各式文章總會提到Netflix在其影片推薦系統所下的心力，並強調「協同過瀘法」的成果是如此的驚人，這部份我是持保留的態度，因此協同過瀘法本身是有許多問題點，讓它無法滿足各種推薦情境。

第二位是女天文學家「亨麗愛塔.勒維特」，她利用了大量的天文影像資料，歸納出一條預測脈動變星的線型公式。作者整理出此一壯舉帶出的兩個核心AI概念:1.在AI領域，「模式」指的是一種預測規則，使輸入產生預期的輸出。2.「學習模式」代表在數據集之中擬合良好的預測規則。後續內文更進一步地闡述「模型辨識」為何在今日變得如此強大，關鍵因素在於「更複雜的模型」」、「巨量數據」、「誤試(Try and error)」以及「深度學習」。在閱讀的過程中讓人進一步地體悟到在機器學習中「過擬」和「擬合」之間的交相關係。沒有「擬合」就沒有可以用來預測未知數據的模型，但「過度地擬合」反而招致充滿偏見的模型，無法用在實務的環境中。具體地說，機器學習的建模過程，就是試圖在擬合和過擬的現象之間，找出正確的「甜蜜點」。

美國海軍的「約翰.克雷文」則為我們帶來了「貝氏搜尋法」的觀念。呼應沃德章節中所介紹的「條件機率」，貝氏定理是更進一步應用條件機率的機率預測公式。其本質是:先驗信念+事實=修正後的信念。其實日常生活中我們隨時都在運用同一種思維來預測事物，只是英國牧師「湯馬斯.貝葉斯」將其具體而微地以公式呈現，並改變了全世界。雖然概念和實作相對容易，卻多半能帶來令人驚豔的準確度，因此貝氏分類法運用在數不清的人工智慧應用中。

身為程式設計人員，相信沒人不曉得「艾倫.圖靈」的大名，但是卻少有人知道發明程式編譯器的「葛麗絲.霍普」女士。文中借由描述霍普如何發明程式語言，帶出人類如何和電腦溝通的方法的雛形。利用大量的規則定義，讓自然語言轉換為電腦機器碼的作法，一度被認為是唯一讓電腦理解人類語言的手法。然而技術的創新總是在眾人的意料之外，以數據統計資料為基礎的自然語言處理，在1980年後就成功地完敗規則法。「技術知識」和「事實知識」兩種哲學觀念，各自曾活躍在自然語言處理的開發過程中，而今「事實知識」傲視群雄為眾人而擁護。章節最後也簡略地由Google研發出來，利用大數據來進行自然語言處理的非監督演算法「向量詞」技術。

「艾薩克.牛頓」人類史上的大天才，在書中卻述說了他罕為人知的失敗故事。從中可以習知借由統計數字的平均值和變異數，如何實作出簡易的「異常檢測」系統。而在大數據時代中，此概念更是發展到無微不至，包含信用卡異常交易、犯罪偵測、F1賽車維護都用到了此章介紹的核心觀念。第六章介紹的「南丁格爾」則是把讀者的野視拉到了醫療領域，說明適當地利用數據如何增進病人的福祉。作者更以今日醫藥界現況做討論，認為AI在改善醫療品質的議題上可以更積極，也適當了提及隱私權的負面問題。

最後一章中，作者則對於許多AI樂觀主義者潑了冷水，反駁他們預期的「未來的AI將從數據中學會人類未知的知識」。文中說明，目前的機器學習技術都僅只能協助人類找出假設所求的解答，AI本身無法自行建立假設，因此與其說是人類依靠AI，更正確地說是AI無法離開人類自我發展。最後提到的「Google流感預測」例子，提出了「模型鏽蝕」和相對的「模型防鏽」觀點，相當了不起。目前許多想建置AI方案的經理人尚未有機器學習模型會隨著時間劣化的觀念，借由「模型防鏽」名詞的使用，相信更能傳達此一概念。
展開