AI60問-Q28人工智慧7大關鍵技術?

by 提拔我園丁
緯育TibaMe AI小教室-Q28人工智慧7大關鍵技術?

人工智慧7大關鍵技術,包含

1. 機器學習 Machine Learning
2. 知識圖譜 Knowledge Graph/Vault
3. 自然語言處理 Natural Language Processing, NLP
4. 人機互動 Human Computer Interaction
5. 計算機視覺 Computer vision
6. 生物特徵識別 Biometrics
7. VR 虛擬實境 /AR擴增實境 Virtual Reality / Augmented Reality

以下將針對7大關鍵技術,逐一介紹,並加上5堂TibaMe相關課程推薦。

1、機器學習 Machine Learning

機器學習(Machine Learning)是一門涉及統計學、系統辨識、逼近理論、神經網絡、優化理論、計算機科學、腦科學等諸多領域的交叉學科,研究計算機怎樣模擬或實現人類的學習行為,以獲取新的知識或技能,重新組織已有的知識結構使之不斷改善自身的性能,是人工智慧技術的核心。

這種演算方法主要透過蒐集大量原始數據與標準答案,以訓練資料調整且選擇相應的數學模型,同時並藉由驗證資料比對計算分類結果,來判定模型是否適合用來預測或分類。

根據學習模式、學習方法以及算法的不同,機器學習存在不同的分類方法:

  • 根據學習模式可以分為:監督學習、無監督學習、半監督學習和強化學習
  • 根據學習方法可以分為:傳統機器學習、深度學習

課程推薦:【AI基礎思維2】掌握AI關鍵核心技術_機器學習及深度學習

【AI基礎思維2】掌握AI關鍵核心技術_機器學習及深度學習

2、知識圖譜 Knowledge Graph/Vault

知識圖譜(Knowledge Graph/Vault,以下簡稱KG)本質上是語義網絡。

是一種圖的數據結構,由節點 (Point) 和邊 (Edge)所組。把所有不同種類的信息連接在一起,而得到的一個關係網絡。知識圖譜提供從「關係」的角度去分析問題的能力。

它廣泛被應用於聊天機器人和問答系統中,用於輔助深度理解人類的語言和支持推理,並提升人機問答的用户體驗等。在生活周遭的應用,像是Apple Siri、Google Allo、Amazon Echo…等都屬於。它也可以用於反欺詐、不一致性驗證、組團欺詐…等公共安全保障領域,這些需要用到異常分析、靜態分析、動態分析…等數據挖掘方法。

圖28-1 知識圖譜的應用    來源:頭條新聞

3、自然語言處理 Natural Language Processing, NLP

自然語言處理是計算機科學領域與人工智慧領域中的一個重要方向,涉及的領域跟應用較多,主要包括:機器翻譯、機器閱讀理解和問答系統…等。

它著重如何以電腦處理並運用自然語言,並企圖讓機器「理解」人類的語言,是人工智慧領域裡的其中一項重要分支。


(1) 機器翻譯

機器翻譯技術是指利用計算機技術實現從一種自然語言到另外一種自然語言的翻譯過程。

基於統計的機器翻譯方法突破了原本的規則和實例翻譯方法的局限性,翻譯性能取得巨大提升。

基於深度神經網絡的機器翻譯在日常口語等一些場景的成功應用已經顯現出了巨大的潛力。隨著上下文的語意表達、知識邏輯推理能力的發展,自然語言知識圖譜不斷增加,機器翻譯將會在多次對話翻譯及篇章翻譯…等領域取得更大的進展。

例如: 透過麥克風「聽」到人類說話,再把聽到的聲音轉成文字( 語音辨識 )。 像是Apple、Google、等也大量運用於日常生活的服務。  

(2) 語義理解

語義理解技術是指利用計算機技術實現對文本篇章的理解,並且回答與篇章相關問題的過程。語義理解更注重於對上下文的理解以及對答案精準程度的把控。隨著 MCTest 數據集的發布,語義理解受到更多關注,取得了快速發展,相關數據集和對應的神經網絡模型層出不窮。語義理解技術將在智能客服、產品自動問答等相關領域發揮重要作用,進一步提高問答與對話系統的精度。

如:在自然語言處理中,最具代表性的應用就是「聊天機器人」(Chatbot)了,它是一種如真人般,可透過文字訊息與人對話的程式。

例如:  2016 Facebook推出  「 Messenger Platform 」 、Line推出「Messaging API」,這種搭載NLP技術的聊天機器人成為矚目的焦點。   

(3) 問答系統

問答系統分為開放領域的對話系統和特定領域的問答系統。問答系統技術是指讓計算機像人類一樣用自然語言與人交流的技術。人們可以向問答系統提交用自然語言表達的問題,系統會返回關聯性較高的答案。

例如:  騰訊知文自然語言處理平台的試圖打造服務於企業的智能問答平台,騰訊知文平台的問答系統模塊,提供智能搜索以及所需的會話模型;會話模塊,包括詞槽填充、多輪對話以及對話管理。

自然語言處理,雖然發展的面向廣,但也面臨了四項挑戰

1.在詞法、句法、語義、語用和語音不同層面存在不確定性。
2.新的詞彙、術語、語義和語法導致無法判讀的不可預測性 。
3.數據資源的不充分使其難以覆蓋複雜的語言現象 。
4.語義知識的模糊性和錯綜複雜的關聯性難以用簡單的數學模型描述,語義計算需要參數龐大的非線性計算 。


課程推薦:【AI基礎思維1】認識AI與資料科學-AI的三種主要應用:影像、NLP、語言

【AI基礎思維1】認識AI與資料科學-AI的三種主要應用:影像、NLP、語言

4、人機互動 Human Computer Interaction

人機互動主要是利用「以人為本,電腦為輔」的方式來控制電腦介面,讓使用者透過「非接觸式」介面,來控制系統,並讓電腦了解它能為使用者做什麼、如何處理資訊。

例如:操作滑鼠、鍵盤、手寫板、遙桿等出入設備,或印表機、繪圖板、音箱…等輸出設備。指的是人與機器之間的信息交換,主要依靠交互設備來進行。

人機互動優勢是「移動方便」:
以iPhone和Android手機為例,
使用者可在任何地方透過Wi-Fi或iPhone上網並雲端存取,
未來可提供更高的移動性和便攜性。

或是火紅的小米萬能遙控器,
透過手機連線上網,
能遠端或從外地遙控所有的家電或小米的智慧家電商品。

5、計算機視覺 Computer vision

計算機視覺是使用計算機模仿人類視覺系統的科學,讓計算機擁有類似人類提取、處理、理解和分析圖像以及圖像序列的能力。自動駕駛、機器人、智能醫療…等領域都需要透過計算機視覺技術,從視覺信號中提取並處理信息。

近來隨著深度學習的發展,預處理、特徵提取、算法處理漸漸融合,形成端到端的人工智慧算法技術。

根據解決的問題,計算機視覺可分為這五大類:計算成像學、圖像理解、三維視覺、動態視覺和視頻編解碼。

計算機視覺技術發展現在已具備初步的產業規模,未來它的發展主要會遇到以下3種挑戰:

  1. 如何在不同的應用領域和其他技術更好的結合?
    計算機視覺在解決某些問題時,可以廣泛利用大數據甚至可以超過人類,但在某些問題上卻仍達到很高的精度。
  2. 如何降低算法的開發時間和人力成本?
    目前計算機視覺算法需要大量數據與人工標註,需要較長的研發周期,才能達到應用領域所要求的精度與耗時。
  3. 如何加快新型算法的設計開發?
    隨著新的成像硬體與人工智慧晶片的出現,針對不同晶片與數據採集設備,計算機視覺算法的設計與開發也是一大困難。

6、生物特徵辨識 Biometrics

生物特徵識別技術是指「透過個體生理特徵或行為特徵,對個體身份進行識別認證的技術」。

從應用流程來看,生物特徵識別通常分為:註冊、識別,這兩個階段。

  • 註冊:透過傳感器對人體的生物表徵信息進行採集。
    如:利用圖像傳感器對指紋和人臉等光學信息、麥克風對說話聲等聲學信息進行採集,利用數據預處理以及特徵提取技術對採集的數據進行處理,得到相應的特徵進行存儲。
  • 識別:過程採用與註冊過程一致的信息採集方式對待識別人進行信息採集、數據預處理和特徵提取,將提取的特徵與存儲的特徵進行比對分析,完成識別。

從應用任務來看,生物特徵識別一般分為:辨認、確認兩種任務。

  • 辨認:從資料庫中確定待識人身份的過程,屬於一對多的問題
  • 確認:將待識別人信息與資料庫中特定單人信息進行比對,確定身份的過程,屬於一對一的問題

生物特徵識別技術涉及的內容十分廣泛,包括:指紋、掌紋、人臉、虹膜、指靜脈、聲紋、步態…等多種生物特徵,其識別過程涉及到圖像處理、計算機視覺、語音識別、機器學習…等多項技術,目前生物特徵識別是重要的智慧化身份認證技術,它在金融、公共安全、教育、交通…等領域,都有廣泛的應用。

圖28-2 生物特徵識別   來源:頭條新聞

課程推薦: 【AI基礎思維3】用AI看見未來_電腦視覺應用

【AI基礎思維3】用AI看見未來_電腦視覺應用

7、VR (Virtual Reality,虛擬實境)/ AR (Augmented Reality,擴增實境)

虛擬實境(VR)/擴增實境(AR)是以計算機為核心的新型態視聽技術。

結合相關科學技術,在一定範圍內,生成與真實環境在視覺、聽覺、觸感…等感官方面高度近似的數位化環境。使用者可以從必要的裝備與數位化環境中的對象進行交互、相互影響,獲得與真實環境相似的感受和體驗。能透過顯示設備、跟蹤定位設備、觸力覺交互設備、數據獲取設備、專用晶片…等方式來實現。

虛擬實境/擴增實境從技術特徵角度,照著不同處理階段,能分為以下5個方面:獲取與建模技術、分析與利用技術、交換與分發技術、展示與交互技術、技術標準與評價體系。

  1. 獲取與建模技術:研究如何把物理世界或者人類的創意進行數字化和模型化,困難點是三維物理世界的數字化和模型化技術
  2. 分析與利用技術:研究對數字內容進行分析、理解、搜索和知識化方法,困難難點在於內容的語義表示和分析
  3. 交換與分發技術:強調在網路環境下,大規模的數字化內容流通、轉換、集成和面向不同終端使用者的個性化服務,它的核心是開放的內容交換和版權管理技術
  4. 展示與交換技術:研究符合人類習慣數字內容的各種顯示技術及交互方法,以期提高人對複雜信息的認知能力,困難點在於建立自然和諧的人機互動環境
  5. 標準與評價體系:研究虛擬實境/擴增實境基礎資源、內容編目、信源編碼等的規範標準以及相應的評估技術。

  • 虛擬實境 VR(Virtual Reality):利用電腦模擬產生一個三維空間的虛擬世界,提供使用者關於視覺等感官的模擬,讓使用者感覺身歷其境,能即時、不受限地觀察三維空間內的事物。
  • 擴增實境AR(Augmented Reality):實時計算攝影機影像的位置及角度,並加上相應圖像的技術,它的目標是在螢幕上把虛擬世界套在現實世界,並加以互動。
例如: 

1.廣告行銷:行銷活動為了吸引客戶目光,達到品牌擴散,創造「娛樂性」, 
宇萌更發展新興的Web AR技術,讓AR體驗更簡單。
使用者不用下載APP,只要透過手機瀏覽器,就能輕鬆開啟一個AR應用,
應用在商圈導客,透過尋寶模式,打造遊戲體驗,
讓消費者在購物中心、遊樂園、甚至街頭,尋找驚喜內容。

2.教育科普:
台灣博物館結合AR科普教育,運用AR讓古生物活過來,
就像電影博物館驚魂夜一樣,增加有幸性及吸引觀眾的眼球。 

其他推薦:
【AI基礎思維4】AI有話說_文字與訊號處理

【AI基礎思維4】AI有話說_文字與訊號處理

【AI基礎思維5】AI無所不在_活用AI產業應用

【AI基礎思維5】AI無所不在_活用AI產業應用

以上分享人工智慧的7大關鍵技術,想了解與學習更完整的AI資料科學內容?

此堂 【AI資料科學學程】 將從AI的基礎力、技術力到應用面,老師分享了非常多實務與應用場景的案例說明,帶領學員實際專案實作, 提供線上、直播交流聚會、專欄文章 、 Podcast 等多元模式, 幫助你更清楚完整的養成能力,實際在工作上運用。

你想成為爬蟲工程師資料分析師資料工程師資料分析領域專家人工智慧產品經理嗎?還是你的公司正需要培養此領域人才呢?點我了解第二期AI資料科學學程班

*備註:可配合企業需求提供單門採購或客製學習模式唷! (直播、線上、實體班)

每日5分鐘, 提拔我園丁陪你快速添補AI/資料科學知識與技能。

若您想了解更多AI/資料科學的小知識、及各產業的相關應用,歡迎訂閱TibaMe FB及部落格,或你有其他想了解的主題歡迎在下方留言讓我們知道唷!

緯育TibaMe FB

企業人才數位轉型FB

企業AI、數位人才or平台培訓方案請點選

參考資料

分享這篇文章:
0 comment
2

您也許會喜歡

Leave a Comment

這個網站採用 Akismet 服務減少垃圾留言。進一步瞭解 Akismet 如何處理網站訪客的留言資料