人工智慧

當初會報名緯育 TibaMe的AI資料科學家-三階段全方位學程班【全面應用方案】，就是因為我決心也要執行屬於我自己的一年「超速學習計畫」，我給自己設定一年的目標，精進我的 AI 技能，並且在 AI 競賽有所成就，因為我知道現在不跳出去，之後只會更難跳脫這溫暖的舒適圈。

低成本的AI、機器人技術會完全翻轉新一代或下一個世代的工作性質，但教育與學習的本質要被改變，不然到了2050年，會有將近50%的人類會因為先進技術而找不到工作。教育與學習要著重於「創意」、「問題解決能力」，而非未來會被技術取代的純勞動力。

現在的教育與STEM教育並行，也需要放重心在創意、批判思考、人際關係、社會情緒能力、哲學、企業家精神、藝術、倫理等，必須設計出有品質的基礎學習，讓人學會以「自我實現」為目標，懂得調整自己的進度。

人工智慧的技術、資源、以及基礎建設已經趨近成熟，不論組織的大小，只要策略性的規劃投資與發展方向，人工智慧都能夠為組織帶來龐大的商業價值。 MGI更是於一次2018年的研究中指出，倘若70％的組織採納部分AI技術，而50％的大型組織全面採納AI技術，在2030時，人工智慧 (包括機器學習) 將能夠給全球GDP帶來另外13兆美金的潛能。

根據統計資料庫（Statista）估算，物聯網裝置，如：手機、虛擬助理、電腦、平板、無人機、攝影機、建築物感測器、穿戴式健身感測器…等，這些數量可能在2025年成長到超過700億部，且帶動邊緣運算的應用。
邊緣AI 是指把「人工智慧」與「機器學習」處理，從雲端移至網路邊緣威力強大的伺服器，如：辦公室、5G 基地台，及其他接近連網終端裝置的實體地點。

過去需要許多人力介入的醫療照護工作，例如病人醫生之間的醫療照護行為以及醫院的管理，藉由AI可把他簡化，省下時間也省下了一定比例的成本。

這場講座從微觀的基因密碼診斷應用，延伸到宏觀的手術機器人，以及醫院如何做到最大化的管理效率，並分享全球知名AI醫療產業案例發展狀況，作為未來投入醫療AI產業的借鏡。

以下為分享6月技術者直播小聚的筆記，由黃柏榮院長所主講。院長曾於美國紐約哥倫比亞大學附屬醫院進行外科訓練、並於哈佛大學 Faulkner Hospital, Breast Center, &BWH (Brigham Women Hospital) 醫院醫學影像部進行博士後研究。

機器學習，從人工智慧起源，它讓機器實現傳統程式設計無法做到的能力，如：自動駕駛、人臉識別、計算機視覺、資料探勘等。

機器學習的演算法，是一段程式碼，可幫助使用者探索、分析、尋找複雜資料集中的意義。每種演算法都是一組能明確指示，讓電腦依照步驟達到特定目標。

以下將分為兩部分進行介紹，一是學習方式、二是演算法的類似性。

特徵工程是將原始數據進行一系列處理，轉爲「特徵」，更好表示預測模型處理的實際問題，提升對於未知數據的準確性。簡單說，就是建立模型的觀察值或特徵，是一個表示和展現數據的過程。
如：評估患者罹患心臟病風險的一種模型，可從他們的身高、體重、年齡、其他特徵得知，但直接使用可用功能並是最有效的做法。更有效的方式是計算體重與身高的比例，就是BMI。

在 Q9什麼是人工智慧？有稍微介紹何為機器學習，及它的擅長領域、演算法。以下將針對它的定義、類型、流程與應用，做更近一步的說明。

可以說是讓機器擁有智慧的第一步，「從以往的資料、經驗中學習，找到其運行規則，最後達到人工智慧的方法。」