所謂的智慧是一個謎,這個概念至今仍然沒有一個統一的定義。一般來說,具備自主性與適應性的事物可視為具有智慧。自主性表示不需要持續的指令,而適應性則代表該事物會隨著環境或問題空間而改變行為。當我們在觀察生物或機器時,會發現運作的核心要素是資料。所見所聞皆為資料,對於周圍一切事物之測量也全都是資料。我們使用、處理並根據這些資料做出決定,因此,對周邊資料的概念有基本的了解,在理解人工智慧(AI)演算法上至關重要。
定義AI
在此粗略把AI定義為能夠表現出「智能」行為的綜合系統。與其試圖定義某種事物是否為AI,不如來談談它與AI的相似性。某些事物可能會表現出部分智能,因為它可以幫助我們解決難題並提供價值與效益。通常,模擬視覺、聽覺等自然感官的AI實作會被視為類AI。能夠在適應新資料與環境的同時自主學習的解也是類AI。
以下為具備AI性質的一些例子:
●可以玩多種複雜遊戲的系統。
●癌症腫瘤檢測系統。
●基於少量輸入資訊便可生成藝術作品的系統。
●自動駕駛汽車。
侯世達(Douglas Hofstadter)曾說:「所有未竟之事都是AI。」在上述舉例中,自動駕駛汽車因為還沒有被完善,所以看起來非常先進聰明。這和不久前能夠計算加法的電腦被認為非常聰明,現在卻被視為稀鬆平常是一樣的概念。
追根究柢,AI是一個模稜兩可的詞彙,對不同人、行業或學科來說都有著不同的意義。本書中的演算法從以前到現在都被歸類為AI演算法,是否能夠賦予AI一個明確的定義其實並不重要,重點是它們能夠用於解決難題。
認知到資料是AI演算法的核心
資料為執行近乎神蹟的美妙演算法提供了輸入資訊。如果資料選擇不當、代表性不足或缺失,演算法便無法正確運算,因此輸入資料的品質關乎到結果的好壞。這個世界充滿了各種資料,有些甚至以我們無法感知的形式存在。資料能夠以數值的方式呈現,像是北極當前的溫度、池塘中有幾條魚、或是以天數為單位的目前年齡。上述舉例皆涉及根據事實而獲取的準確數值,因此很難誤判。特定時間地點的溫度是絕對真實的,不會受到任何偏差的影響。這類資料被稱為定量資料。
資料也可以代表觀察值,例如花香或是某人對特定政治家政策的認同程度。這類資料被稱為定性資料,有時候不好解讀因為它不是絕對真實,而是某個人對真相的感知。
資料為事物的原始事實,因此記錄通常不存在偏見。然而事實上,資料是在特定脈絡與使用方式等前提下被人們蒐集、記錄與連結。基於資料而建立有意義的觀點以回答問題的行為稱為建立資訊。基於過往經驗來活用資訊,並且有意識地應用資訊則產生了知識。這便是我們嘗試要以AI演算法模擬出來的部分。
不同的人會根據各自對該領域的理解和對世界的看法對資料、訊息和知識做出不同的解釋,這無庸置疑地會影響到解的品質──因此使得科學觀點在創造各種科技時變得額外重要。藉由遵循可重複的科學過程來獲取資料、實驗並精準報告,我們便可以確保在使用演算法處理資料時,能得到更準確的結果與更優秀的解。
問題類型與解決問題範式
AI 演算法很強大,但也不是可以解決所有問題的靈丹妙藥。但話說回來,什麼是問題?本章將著眼於在電腦科學中常見的各種類型問題,帶領讀者如何對這些問題產生基本概念。這種基本概念可以幫助我們在現實世界中辨別出問題,並引導我們選擇正確的演算法。
您會看到幾個在電腦科學和人工智慧中用於描述問題的術語,再根據其脈絡與目標來分類問題。
搜尋問題:找到通往解的路
搜尋問題用於可能出現多個解之情況,每個可能性都代表一條通往目的地的步驟(路徑)。有些可能包含了路徑中重疊的子資料集,有些路徑比其他選擇更好,而有些是比其他方案便宜。「比較好」的解取決於手上有哪些具體的問題,而「便宜」的方案表示執行計算上的花費較小。以從地圖上找到城市與城市之間的最短路徑為例,路徑可以有很多條,每一條的距離跟路況都不一樣,但其中有些路徑確實比其他選擇好。許多AI演算法都是以找到解空間的概念為基礎。
最佳化問題:找到一個良好解
最佳化問題通常存在著大量的有效解,但卻很難找到最好的。最佳化問題經常有著多到數不清的可能性,而每一種可能性在解決問題的能力上都有所不同。一個很好的例子是,想辦法將後車箱的空間利用最大化,好塞進所有行李。當然,這樣的排列組合多不勝數,但如果堆疊的方式越得當,可以放進去的行李就越多。
區域最佳解vs全域最佳解
由於最佳化問題存在著許多解,又因為這些解存在於搜尋空間的不同點上,因此區域最佳解和全域最佳解的概念便登場。區域最佳解是搜尋空間中特定區域內的最佳解,而全域最佳解則是在整個搜尋空間中最好的解。通常會有很多個區域最佳解,但只會有一個全域最佳解。這個概念可以理解為找出最適合的餐廳。您在住家附近找到的最好餐廳,不見得會是全國或全世界最好的。
預測與分類問題:從資料模式中學習
預測問題代表我們有關於某件事情的資料並試圖找出模式。例如,我們可能有關於不同車輛的資料、引擎大小和油耗數據。我們可以單就引擎的大小來預測出新車款的油耗嗎?如果引擎大小與油耗資料之間存在著某種關聯,那麼就有可能。
分類問題跟預測問題很像,但並非試圖找出像是油耗這種準確的預測,而是根據某事物的特徵試圖找出它的分類。如果單就車輛尺寸、引擎大小和座位數量,我們是否能夠判斷該車輛是摩托車、轎車還是跑車呢?分類問題需要在資料中找出分類案例的模式。在尋找資料模式時,插補法是一個很重要的概念,因為我們是根據已知資料來估算新的資料點。
叢集問題:辨別資料中的模式
叢集問題需要從資料中發現趨勢和關係。可運用不同的方式搭配資料的各面向來將案例分組。例如,基於餐廳的成本與位置等資料,我們可能會發現年輕人傾向於光顧餐點較為便宜的地方。
叢集的目的是從資料中找出關聯性,即使尚未提出明確的問題。這個方法也能夠幫助我們理解資料的用途。
確定性模型:每次計算的結果皆相同
確定性模型是在提供特定輸入之下必定會得到相同結果的模型。例如,特定城市的中午時段一定會是白天;而如果是午夜時段,則必然會是黑夜。當然了,這個簡單的例子沒有考慮到地球兩極附近較為奇特的日照時間。
隨機/概率模型:每次計算的結果都可能不同
概率模型是在提供特定的輸入之下,從一組可能的結果中得到輸出的模型。概率模型通常具有可控的隨機性元素,有助於得到可能的結果。例如,假設時間為中午,天氣可能會是晴天、陰天或雨天,沒有固定的天氣。
新舊 Al
有時候我們會使用新舊AI這個概念。舊AI常見的定義是經由人類寫了程式而讓演算法表現出智慧行為的系統──通常透過對問題的深入理解或反覆試驗。舊AI的一個例子便是手動建立決策樹,以及整棵樹中的規則和選項。新AI旨在建立可以從資料中學習的演算法和模型,並建立出自己的規則,其效能可能跟人類建立的一樣準確,甚至更好。不同之處在於後者可能會在資料中找到人類可能永遠都無法察覺,或者需要更多的時間才能找到的重要模式。
搜尋演算法通常被視為舊AI,但對此演算法的深入了解,有助於學習更複雜的方法。(摘錄整理自《凡人也能懂的白話人工智慧演算法》第一章,碁峰資訊提供)
圖片來源_碁峰資訊
書名 凡人也能懂的白話人工智慧演算法(Grokking Artificial Intelligence Algorithms)
Rishal Hurbans/著;CAVEDU教育團隊 曾吉弘/譯
碁峰資訊出版
定價:580元
圖片來源_Rishal Hurbans
作者簡介
Rishal Hurbans
自孩提時期,Rishal便已醉心於電腦、科技與各種瘋狂的點子。在他的職業生涯中,他帶領了許多專案團隊、軟體工程、策略規劃以及針對許多國際企業來設計端對端的解決方案。他也曾經在其公司、社群與產業中積極推動關於實用主義、學習與技術發展的風氣。
Rishal對於商業技巧與策略、帶領個人與團隊成長、設計思考、人工智慧與哲學有極大的熱情。Rishal推出了多款數位產品來提高個人與企業的生產力,同時專注於最重要的事情。他也曾頻繁於全球各大研討會分享,致力讓複雜的觀念變得更好理解,以及幫助人們提升自我。
熱門新聞
2024-10-05
2024-10-07
2024-10-07
2024-10-07
2024-10-07
2024-10-07
2024-10-07