有客戶正在測試我的貨櫃碼辨識軟體，上面這張是他從網路上抓到的圖片，貨櫃碼看似清晰卻辨識失敗，當然會讓我很不服氣，立即啟動研究程序。這個辨識核心也有近四千行程式碼，跟車牌辨識的流程是完全不同的！而且擱置沒玩大概超過一年了！嚴重考驗到我老人家的記憶力！

所幸經過一天的努力順利恢復記憶，證實本人尚未有記憶力衰退乃至老年癡呆的症狀！終於追蹤到辨識失敗的原因是：如上雙橫排的貨櫃碼出現機率很低，我手上舊有的資料也不過三五張，而且每一張的雙排字都是靠左對齊的！所以我就將搜尋規則訂成必須是：上四下七且靠左對齊的雙排字才是貨櫃碼！

但上面這張卻是例外，字組是上四下七沒錯，但是雙排字卻是置中對齊的！所以即使程式已經認出所有的字組，我的舊程式還是認定它「不是」貨櫃碼！所以就辨識失敗了！解決方式很簡單，增加一個「雙排字組也可能是置中對齊」的例外通關規則就好了！修改一行程式就永遠不會再錯了！

為什麼我必須將規則寫得這麼嚴格呢？大家看看貨櫃背面有多少文字就知道了！要在好像一篇文章的很多字元中盡快找出正確的貨櫃碼，依賴的就是對格式挑選盡量嚴格，但確定包含所有可能的貨櫃碼排列方式的規則！如果沒訂得很嚴格就會花費太多時間處理垃圾資訊，還會出現很多似是而非的答案了！

我的這種辨識概念就是所謂「專家系統」的作法！將所有我們知道的知識、理論、原理、定理與人為設定的各種規則，甚至可預知的雜訊形式，都寫進程式裡面做明確合理的判斷基礎！這其實是在機器學習熱門之前主要的「AI」系統建立方式！其實至今都還是遠遠優於機器學習的AI方式，只要將這些明確邏輯的關係都整理好不相衝突，做出來的AI絕對比機器學習系統更準確更可靠！專家系統製作的AI從來就沒有過時落伍！而且品質上永遠是可以全面碾壓機器學習AI的技術模式！

機器學習的神話是只要有「足夠」的資料，就可以學習出所有的智慧？事實上如果沒有經過科學家精確的邏輯分析整理，機器學習就只是統計學！他們的判斷只是類似「兩害相權取其輕」的最佳平衡點而已！對於事實原理不明的混沌資料可以迅速抓到一個大概的脈絡方向，但要說到精密準確呢？完全是他們做不到的事！給他們無限的資料，再加上無限多層的神經網路，使用最頂級的超級電腦，也絕對無法超越科學判斷的！

以上面的例子來說，如果我們確定知道雙排置中是合格的貨櫃碼，但是我們可以取得的這種案例卻極少，將極少案例混入巨量(常見的)資料來做訓練，還不加干預的話結果會是甚麼？這種特殊格式被判定是合格貨櫃碼的權重一定很低，很難被視為合格貨櫃碼！而且這樣經過資料統計「訓練」產出的軟體，也無從更正類似的誤判！

所以想「不傷腦筋」靠資料訓練學習就可以得到AI的統計方式只是堪用而已，絕對不是甚麼高級高階準確可靠的AI！而且要收集大量「有意義」的資料其實是很貴，也很難的！如果你的資料剛好不包括罕見的某種格式，你就只能眼睜睜看著軟體犯錯，還不知道怎麼修改了！我不用機器學習，所以沒這種困擾！你還認為我的軟體不用ML所以比較落伍嗎？