藉助深度學習 大幅推升大數據應用成效
- 魏淑芳
-
毋庸置疑，包括大數據(Big Data)、人工智慧(AI)、機器學習(Machine Learning；ML)，乃至深度學習(Deep Learning；DL)，都是當今熱明顯學，伴隨這些議題相繼引領風騷，不僅造就了許多顛覆市場的獨角獸企業，也可望為百年企業注入新的DNA，徹底改善競爭體質。
換句話說，無論新創公司或老牌企業，只要真正進入數據分析之堂奧，都可望從中挖掘致勝線索，洞見未來趨勢浪潮，獲取源源不斷的創新養分；因此包括Big Data、AI、ML或DL等泛資料科學的技術項目，不管問世時間長或短，亦不管先前發展態勢是快或慢，至少在此時此刻，甚至是今後5年、10年，它們皆將持續成為深具票房潛力的題材。
值得一提的，拜Google DeepMind的AlphaGo技驚四座所賜，當前「深度學習」展現的發展勁道之強，讓人不敢小覷，被喻為是在泛Big Data陣營當中，極具爆發性的一環。
ML與DL崛起 引爆人工智慧風潮
事實上，深度學習算是機器學習的一個分支，源自於類神經網路模型，而機器學習也隸屬於人工智慧領域；因此若說AI是一個偌大同心圓，機器學習則是包覆在大圓圈裡頭的中圓圈，而中圓之內還有小圓、即是深度學習，儘管彼此看似系出同門，但各有各的巧妙之處。
以機器學習、深度學習最大的聯集AI而論，並非一門特別新穎的技術，但其走勢與現今同樣火紅的虛擬實境(VR)，頗有異曲同工之妙，早期發展步調都算緩慢，但近年隨著硬體運算能力大幅增強，輔以GPU平行運算、雲端運算等關鍵技術愈趨成熟，才由冷轉熱，不僅躍為語音辨識、影像辨識、自然語言處理的主流技術，甚至非常適用於生物特徵辨識、環境辨識、推薦系統等等諸多領域。
也就是說，只要懂得AI、機器學習、深度學習等運用訣竅，要想開創驚天動地的創新應用，機會相當大，此乃其備受關注的原因所在。
至於機器學習、深度學習，基本上都是實踐人工智慧的技術項目。所謂機器學習，是透過演算法來推動數據分析，藉由學習來培養能預測判斷某些事物的能力，訓練愈多、愈久，預測與判斷能力就愈強。
即使機器學習立意甚佳，但多年來包括決策樹學習、貝葉斯網路等等一干相關演算法，都未能真正達到「廣義人工智慧(General AI)」目標，即是沒能打造出相當於人類智力特徵、懂得思考且擁有感覺的複雜機器，充其量僅實現了「狹義人工智慧(Narrow AI)」進程，最顯著的應用型態便是電腦視覺，可惜此項應用並未完全符合「不倚靠手動編寫帶有特定指令的軟體程式」的機器學習初衷，仍需採用大量人工編碼，然後藉由人工編碼分類器而衍生能夠解析影像的演算法。
單就電腦視覺來看，似乎無法有效擺脫環境的遮蔽或干擾因素，導致影像判斷精準度受到影響，亟待提升的空間著實不小。幸而後來神經網路技術出現，可望彌補過往種種機器學習技術之不完美。
AlphaGo神來一筆 炒熱深度學習
神經網路的概念取材於人類大腦結構，箇中蘊含許多層次，每一層各有神經元，假使有諸如圖像等內容輸入，這些神經元將基於預先被賦予的權重，各自執行不同任務，例如檢查某圖像的形狀或特徵，然後再將所有權重數值予以加總，便產生出最終結果。
值得一提，只要訓練的歷程愈扎實，這個被電腦系所預測的最終結果，接近事實真相的機率就會愈大，此即為深度學習的奧妙之處，而深度學習也讓人工智慧出現爆炸性發展。
有人也許好奇，人工神經網路的概念由來已久，至少不是現在才橫空出世的新穎技術，那麼為何深度學習為何遲至今日還未發光發熱？原因很簡單，要做好深度學習，就得訓練網路、調整網路，以影像辨識為例，過程中便可能需要輸入成千上萬，甚至數以百萬、千萬或上傳張圖像，不斷優化調整神經元的輸入權重，提高辨析圖像的精準度。
但那怕是最簡單基本的神經網路，亦需採用大量運算資源，過往如果以CPU加上顯卡來推動此事，顯然力有未逮，當然顯現不出好成果，直至近年來GPU平行運算技術益發成熟精進，才使深度學習豁然開朗。
換言之，即使深度學習基本上算是機器學習的次分類，但兩者確實有所不同。持平而論，機器學習已稱得上是AI領域中的突破性成果，其透過監督式學習經驗，促使電腦系統之中的資料集，學習到一個新的模式，可用以推測新的實例，或者萃取更多知識，但既然談到「監督」，就必須仰賴人類的創造力，好讓機器知道應該怎麼進行學習；反觀深度學習，則大幅度擺脫了監督二字，透過大規模的神經網路，即使不經過人為干預，也能讓電腦自行動腦思考。
迄至今日，舉凡谷歌(Google)、微軟、蘋果、亞馬遜、臉書、Tesla等備受矚目的科技巨擘，都積極投入AI與深度學習。以Google為例，在2014年初即砸下了4億美元的高額代價，快速出手購併DeepMind這家公司，而DeepMind創始於2012年，係由神經科學家、天才棋手Demis Hassabis偕同兩個夥伴共同創立，旨在藉由機器學習與神經科學系統的結合，產生最佳技術，據以建立強大而通用的學習演算法。
到了2016年，經由DeepMind催生的AlphaGo，以4:1擊敗了世界大師級圍棋冠軍李世乭，自此一炮而紅，才讓人驚覺深度學習的威力確實強大。
事實上，DeepMind借助深度學習所締造出的發展成就，並不僅止於AlphaGo，比方說在2016年底，與美國國家醫療服務體系(NHS)轄下的基金會Royal Free London，簽定5年期的合約，目標在於處理172萬個病患的醫療記錄。
與此同時，DeepMind獲得來自倫敦醫院的兩個資料庫，包括100 萬張視網膜掃描報告，以及頭頸部癌症圖像，前者有助於讓DeepMind透過AI技術而確定退化性眼疾的早期徵兆，後者則可訓練AI軟體如何辨識頭頸部的健康組織、癌變組織。
綜觀各界推動深度學習的應用方向，最饒富價值與商機的一塊，無疑便是健康管理，例如未來人們只要在浴室洗澡，透過衛浴鏡，即可量測其生理狀態訊息，並持續將相關資料上傳雲端平台，接著由專業醫護單位負責解析數據，期望爭取時效在第一時間察覺到人體的病變徵兆，即時給予投藥與診療，避免人們的健康與生命。
而車用電子則是另一個顯著的應用方向，藉由車內影像辨識裝置，可持續監測駕駛人的臉部表情，進而推估其脈搏與呼吸頻率，據此研判此人的健康或精神狀態是否出問題，以便於後台管理中心適時妥善處理，防止車禍事件產生。
