近年來人工智慧（Artificial Intelligence, AI）技術快速發展，越來越多企業想引入AI技術至生產線以及服務上，期望能讓機器取代人力以節省人力成本，甚至是做出更加精確之決策，改善使用者體驗，而在學術界AI技術也是熱門的研究議題之一，眾多學者提出適應不同情境的模型，與更加快速的訓練方式，使得AI成為未來最具發展性的技術之一。

人工智慧簡介

人工智慧最早可以追溯回1950年代，當時主要應用在棋盤遊戲上，隨著理論與硬體的發展，AI可使用的領域越來越廣，在特定領域中甚至比人類表現得更加優秀。

在過去人們解決問題往往依賴各式各樣的演算法，使用邏輯推理得出不同問題的最佳解，然而傳統演算法的設計需要經過層層的推理與驗證，才能確保得出的答案正確無誤，這嚴謹的過程導致傳統演算法設計十分困難與費時，然而AI卻以不同的角度來解決問題。對於AI而言，只重視最後得出來的答案是否正確，良好的訓練資料越多，回答的正確率就越高，由於這樣的特性使得同一個AI演算法能應用在眾多領域。

人工智慧發展狀況

人工智慧的技術不論在學術界還是產業界皆受到重視，在學術界越來越多學者投入AI的研究中，近年來與AI相關的論文越來越多，各大研討會與期刊也陸續將AI作為一個獨立的主題進行徵稿，突顯了AI在學術領域的重要性。

圖一 : AI研討會列表

除了在學術界有許多與人工智慧相關的研討會外，在產業界也出現眾多以AI為主打的產品，舉凡智慧音箱、智能家電、車牌辨識系統等，在生活中不時可以見到與AI相關的應用，除了改善生活品質外，也減少了許多人力的消耗。

圖二 : 結合人工智慧之產品

http：//smartliving.tatung.com.tw/ricecooker/index.html）

人工智慧能應用在很多領域，其中以影像相關應用表現得最好，舉凡人臉識別、軌跡預測、智慧採果機、AOI系統等，皆是已實現之應用。利用AI處理影像的技術被稱之為電腦視覺（Computer vision），藉由訓練模型來讓電腦「看得懂」影像的內容，並根據不同的內容做出不同的行為。

相對於文字資料，影像資料中包含更多的資訊，使得AI模型在訓練時能有更多的參考資料，讓AI在實戰時有更好的表現，另一方面，在AI技術出現前已有成熟的影像處理演算法，為後續電腦視覺的發展奠定了良好基礎，結合傳統演算法與AI技術，能更加精確的處理影像相關應用。

提到人工智慧在影像中的應用勢必讓人聯想到ImageNet，ImageNet專案是一個大型視覺資料庫，其中有上千萬張已標記過的影像提供研究使用，該專案在每年會舉辦一次競賽，辨識不同的場景與圖中物件，現今有許多AI影像應用所使用的模型結構皆來自於該競賽，同時許多訓練好的模型也被釋出，不僅促進學術研究與產業開發，還加速了AI技術在影像的發展。

圖三 : ImageNet

人工智慧優勢與限制

相較於傳統演算法，人工智慧有較大的彈性，AI重視所得出的結果而不重視過程，同時允許一定程度的誤差，當人們試著去解釋AI是如何做出決策時，發現模型中的參數難以解釋，由於模型中各項參數調整是基於複雜的數學運算，根據訓練資料一步步更新模型參數，讓輸出的答案與正確答案越來越相近，因此AI模型曾被戲稱為「黑盒子」，但這並不影響AI技術的重要性。

傳統演算法需針對不同的問題來設計不同的演算法，但其中有一些難題無法在多項式時間內被解出，使得傳統演算法在設計上面臨困難，但AI技術的設計相對單純，只針對輸入與輸出進行對應，當有越多筆測試資料可供訓練，AI的表現就會越好，根據許多研究者的經驗，只要有足夠多的正確資料，AI在任何領域皆能表現得不錯。

人工智慧擁有很多優點，但也有其相對限制，由於AI只專注於所得答案之正確性，因此當訓練資料不夠時往往表現不佳，而訓練資料也有品質上的限制，若所蒐集到的訓練資料包含太多錯誤訊息，AI同樣無法有良好表現。另一方面因為資料的限制，AI在不易蒐集到資料的領域難以實現，例如戰爭預測、疾病爆發等，AI皆無法有良好的表現。

AI技術主要包含資料處理與模型訓練兩大部分，實際操作流程大致區分為：

（1）根據應用環境收集資料；

（2）依照背景知識對資料進行處理，包含資料正規化、去除不合理之資料等，並切割成訓練資料與驗證資料；

（3）依照不同應用環境決定使用的模型；

（4）將訓練資料輸入模型當中進行訓練；

（5）將驗證資料輸入訓練完成的模型中，確認模型能得出符合期望的答案；

（6）若通過驗證則結束流程，若驗證不通過或表現不理想，則重新收集資料或重新選擇使用的模型。

AI模型表現不佳時，問題常出現在資料集與模型選擇上，有時是因為所收集的資料量不足，讓模型無法確實學習出正確的決策方法，有時則是因為所選擇的模型結構不適合資料，導致即使有良好品質的資料，模型也無法有良好表現。

資料與模型的挑選並沒有明確的公式可供參考，只能憑著經驗去挑選，為了滿足挑選模型的問題，AI開源套件Scikit-learn提供了一個簡易的模型挑選原則（圖四），讓開發者可以快速找出適合的模型。

圖四 : Scikit-learn模型挑選

常使用到的開發工具

人工智慧的技術包含了許多複雜的數學計算，在開發時往往會使用到許多開源套件，減少撰寫程式時的負擔，在眾多開發套件中最知名的為TensorFlow與Keras，兩者皆提供了許多建立模型時所需使用的功能，讓開發者能快速修改及建立模型，同時還有多種訓練過的模型可供下載。

圖五 : TensorFLow

圖六 : Keras

開發工具的出現讓模型的設計變得簡單，在過去建立模型前除了了解其背後原理外，還需要龐大的數學知識支撐，才能撰寫出一個可以正常運行的模型，而在運算效率上除了軟體還需要硬體的配合，AI技術能發展一部分歸功於GPU的出現，加速了神經網路的計算，讓曾經被冷落的AI技術再次受到世人重視。

隨著越來越多開發套件與硬體的出現，不僅讓開發者更容易進行開發，同時也降低了進入AI領域的門檻，讓更多對AI感興趣的人加入開發行列，使得AI技術快速進步，成為未來最受矚目且具發展性的技術之一。

範例介紹--人臉識別

人工智慧能使用在眾多應用之中，以影像相關應用為例，人臉識別是一項熱門的應用，可使用在公司行號上班打卡、會員身分判別、身分比對等許多情境，讓使用者可以使用「刷臉」的方式更加快速完成驗證， 以下將介紹簡易的人臉識別實作流程。

資料收集

首先要先收集欲進行辨識之人的照片，根據人數不同每人所需要的張數也不同，想判斷的人數越多每人所需的張數就越多，本案例以三位明星為例，每人收集50張照片當作訓練資料，另外再蒐集50張照片當作驗證資料

圖七 : 資料收集 （source：blogs.icrc.org）

資料前處理

由於收集到的照片品質不一，有些包含太多無用資訊，為了避免在訓練時受到干擾，需先對每張照片進行處理，使用face_recognition工具擷取出人臉位置，並將不同人的照片編上不同的號碼，加速模型的訓練。

圖八 : 資料前處理（source：breakingolds.com）

模型挑選與訓練

有了處理完畢的資料集後便可以選擇想要使用的模型，在本範例中選擇使用ResNet的結構，並引入Keras套件中預訓練完成參數進行遷移式學習（Transfer Learning），將模型修改成符合需求的結構，並進行訓練。

圖九 : 模型挑選（source：凌?）

驗證結果

將訓練好的模型使用驗證資料進行測試，確認正確率符合預期，若表現不佳則須重新訓練模型或再次修改模型結構，直至正確率高過一定水平。

圖十 : 驗證結果（source：xenonstack.com）

本範例簡易介紹人臉識別的實驗流程，在實際應用情況當中仍有許多需要考慮的細節，像是個人照片的提供、拍攝時的場景變化、辨識精準度之閥值設定等，許多細項需要做考量，因此人臉識別在實現過程中仍有一定的難度，需要細心及耐心的處理。

結論

人工智慧的出現帶給人們生活很大的影響，許多事情不必再由人類自行處理，隨著軟硬體的進步，AI能辦到的事情越來越多，在社會上甚至出現了AI最終將取代人類的言論，反對AI技術發展，但不可否認的是AI技術帶給人們很大的方便。

從學術界的角度來看，越來越多學者在進行AI相關研究，以AI為主題的論文也越來越多，成為學術界中主流研究之一。以產業界的角度來看，各大廠商紛紛將AI結合至自家產品之中，出現了許多智慧家電、智能分析系統等，

與AI相關的應用，比起一般的產品，消費者也更加願意選擇擁有更多功能的「智能產品」。

綜合產學界的角度來看，人工智慧不論在技術還是應用上皆有很大的發展空間，隨著越多人的投入，發展必定更加快速，在未來人工智慧必定會是最主要的趨勢之一。

（本文作者廖俊威為凌群電腦軟體工程師）

參考資料

[1] “Top Conferences for Machine Learning & Arti. Intelligence,” http：//www.guide2research.com/topconf/machine-learning

[2] “ImageNet,” http：//www.image-net.org/

[3] “TensorFlow,” https：//www.tensorflow.org/

[4] “Keras,” https：//keras.io/