字體:小 中 大 | |
|
|
2024/09/27 07:45:48瀏覽506|回應0|推薦6 | |
這篇文章來自香港的Tecky Academy 科啟學院,寫得好極了!絕對是AI視野層次遠高於台灣那些到處可見的廉價AI學院補習班的!我是教過電腦程式設計十幾年的資深教授,多本電腦暢銷書的作者,也是已經從事影像辨識行業超過十年的資深業界人士,所以對這類文章多半是很挑剔愛找碴的!但是看完本文之後我口服心服毫無異見! 他說的我認為都對!所以無需太多評論,算是替他摘要挑出其中幾個段落的金句給大家欣賞: 普遍大眾對資訊科技界認識不深,有一些科技用語由於聽起來很厲害,就往往成為含混的重災區。人工智能看起來很科幻,Deep Learning(深度學習)聽起來也很莫測高深,作為一個Pitching的題目也很吸引,所以往往就通通「炒成一碟」,務求提過所有科技Buzzword,演講就可平安過關。
(上圖)當中所謂的推理機,其實就是將知識以IF-THEN-ELSE的方式表達。 所以最基礎的if-else ,其實也算是最廣義的「人工智能」! 人工智能之價值不在於實行難度,而在解決實際問題之上。 普遍大眾認為if-else很簡單,是低級技能; 而AI、Deep Learning等技能很複雜,是高級技能。這是一個非常常見的誤解,Deep Learning並不取代if-else,兩者是相輔相成關係(Supplementary relation)而不是競爭關係(Competitive relation)。
本質上機器學習是基於統計運作(Statistical Nature)之算法 ,工程師要提供輸入(Input)及輸出(Output),電腦就通過估算得到結果得到一個模型(model),但結果不會是完全精確(Exact)。 精確的答案和大概準確的答案那個較好呢?當然是必然精確的答案更好。如果一個問題能夠使用傳統編程解決,寫if-else、for-loop就能夠迎刃而解的話,是完全沒有必要再向階梯上層(ML或DL)移動。正如大家食(吃)水果的時候,用水果刀切就可以了,總不會用電鋸去切吧?殺雞不用牛刀,筆者認為是一個很基本,卻又很容易忘記的原則。 他的文章重點有兩個:一是AI的技術涵義遠遠大於也廣於深度學習,建立於精確邏輯的推理機(也稱專家系統)模式才是最廣義的AI;二是從機器學習到深度學習都是先天上無法精準的「統計學」技術。他用上圖說明深度學習優於機器學習,但是沒明確說出來的是:兩者一樣都有不可能太準確的正確率天花板!只要將「推理機」繼續精進做得更好,我們用if-else、for-loop就一定可以突破這個天花板!做出比深度學習更精準的AI影像辨識! 他沒有強調說清楚的部分,就是我天天寫文章以我自己的影像辨識研發經驗想證明的事實:如果你希望將影像辨識的辨識正確率推到極致,即使是深度學習也絕對會輸給「推理機」模式的!必然精確的答案怎麼可能輸給概略估計值呢?只是多數人已經認定影像辨識的變數複雜到非用統計學(ML、DL與CNN)不可了!所以太早放棄了繼續用傳統方式深入研究影像辨識的可能性。 但事實上,用推理機的方式建立的影像辨識演算法並不會比深度學習用的數學模式更複雜難懂,而且一旦建立成功就是明確可靠正確的邏輯!好像設計精密的儀器,不管零件有多少多複雜?所有的運作邏輯都是符合科學原理穩定正確可以徹底理解掌握,也可以完美追蹤除錯的!反觀深度學習呢?不論你付出多大成本與努力依舊是個理論上就不精準的估計值(算命機?),而且辨識錯誤時是無法找出明確的錯誤邏輯直接修理好的!只能增加資料重頭再訓練一次!也不保證一定會有效! 在那些AI迷眼中,我現在走的路好像是「愚公移山」?或是想將「鐵杵磨成繡花針」?看起來是不可能做到?影像辨識的可能變數實在太多了!但是如果不要將影像辨識想成全面性視覺智慧的大問題,譬如「只是」辨識車牌,絕對是有可能做出比深度學習更接近完美的車牌辨識「推理機」的!事實上包括我的車牌辨識軟體在內的所有市售車牌辨識軟體都是這種東西!這不是虛擬的理想,而是鐵的事實! 所以真的不必對深度學習有高到不合理的期望,「理論」上他們就不可能比精確的科學「推理機」更準確的!而且上述文章中也說了,即使只是用深度學習將準確率的天花板推高一點,需要的資料量就必須大增!訓練模型需要的計算量更是以次方倍暴增!誰有那麼多錢做這種嘗試呢?你有嗎?所以夠好的深度學習模型都是那些雲端的大公司才能玩得起的遊戲,那我們還「別人喝湯我喊燒」?忙些甚麼呢?只能看戲吧? 如果我可以用推理機(也就是專家系統)的模式,只用少於機器學習乃至深度學習不到十分之一甚至百分之一的資料量,花費更少的研發時間,更廉價的電腦,更少的電費,就將影像辨識做到目前的程度,試問:你真的需要Deep Learning來做影像辨識嗎?所以我的這條路才是真正每個人都可以走的康莊大道,而且預期的最終辨識率就是會比深度學習的成果更好的!這絕對不是我吹牛瞎掰的,而是理論上就可以證明的! |
|
( 心情隨筆|工作職場 ) |