四月份開始做了一次車牌辨識核心的大改造，抽換了最核心的字元辨識方法，主帥換了，當然周邊的所有程序都要跟著做全面性的評估與調整。雖然我總是批評機器學習沒資格擔任人工智慧或影像辨識演算法的主體，但他們的統計方法與概念仍然是對我的研究有用的！

 一般機器學習或深度學習，是讓電腦自行調整參數、程序或演算法來獲得最佳化的結果，而且最佳化的主要對象是「成功率」，在影像辨識來說就是辨識的正確率！這一點我是堅決反對的！雖然答案正確是機器學習追求的主要目標，但是很矛盾的，正確與否的原因卻是機器學習派不願重視的部分？如果某個調整能讓答案正確，他們就完全不想知道原因，某個答案錯誤，他們寧願花時間亂踹調整參數，也不願確實探討個案失敗原因。

我則是覺得任何辨識成敗的原因都值得，也必須深入研究！那才是科學研究精進的關鍵！所以前面一個月我大部分的時間就是做這些個案的追蹤研究，也讓我更熟悉能掌握演算法對於不同資料的計算過程與結果。到最後我就能知道哪些參數與程序和辨識率高度相關，哪些則影響不大，甚至只會影響到計算速度，不會影響辨識正確率！

這些「無礙」於辨識正確率的參數與程序調整有甚麼意義嗎？當然有的！就是影響辨識速度，如果反正不影響考試分數，越快作答完畢早點交卷休息不是很好？在我的辨識產品來說，就是提升辨識速度，讓產品反應變快了！做即時動態的車牌辨識，速度是永遠不夠快的！

所以啦！放假時間最適合做這種實驗調整！調整一組這種不影響辨識率的程序與參數，讓他們重複辨識上萬張的車牌影像，然後統計所花的時間，努力找出算得最快的方式，每個實驗參數設好我就去看電視打球了！一個周末下來，不必苦守電腦前面，就可以做上十次八次的實驗提升我的辨識速度達到一成以上！這跟機器學習的「研究」方式很像，但我只會稱之為「統計實驗」！

所有事情的重點都還是要有效有意義，我不會說我絕對不用機器學習的，真的有用時我就一定會用！目前對我來說，研究速度最快的流程與參數組合用機器學習的方式就不錯！雖然速度快慢的原因也值得研究，但多半只是一些無關成敗的細節運算次數的統計數量所致，就直接看統計結果做決策就夠了！此時用機器學習就剛剛好！