智能应用 影音

藉助深度学习 大幅推升大数据应用成效

2017/03/27 - 魏淑芳

毋庸置疑,包括大数据(Big Data)、人工智能(AI)、机器学习(Machine Learning;ML),乃至深度学习(Deep Learning;DL),都是当今热明显学,伴随这些议题相继引领风骚,不仅造就了许多颠覆市场的独角兽企业,也可望为百年企业注入新的DNA,彻底改善竞争体质。

换句话说,无论新创公司或老牌企业,只要真正进入数据分析之堂奥,都可望从中挖掘致胜线索,洞见未来趋势浪潮,获取源源不断的创新养分;因此包括Big Data、AI、ML或DL等泛数据科学的技术项目,不管问世时间长或短,亦不管先前发展态势是快或慢,至少在此时此刻,甚至是今后5年、10年,它们皆将持续成为深具票房潜力的题材。

值得一提的,拜Google DeepMind的AlphaGo技惊四座所赐,当前「深度学习」展现的发展劲道之强,让人不敢小觑,被喻为是在泛Big Data阵营当中,极具爆发性的一环。

ML与DL崛起  引爆人工智能风潮

事实上,深度学习算是机器学习的一个分支,源自于类神经网络模型,而机器学习也隶属于人工智能领域;因此若说AI是一个偌大同心圆,机器学习则是包覆在大圆圈里头的中圆圈,而中圆之内还有小圆、即是深度学习,尽管彼此看似系出同门,但各有各的巧妙之处。

以机器学习、深度学习最大的联集AI而论,并非一门特别新颖的技术,但其走势与现今同样火红的虚拟实境(VR),颇有异曲同工之妙,早期发展步调都算缓慢,但近年随着硬件运算能力大幅增强,辅以GPU平行运算、云端运算等关键技术愈趋成熟,才由冷转热,不仅跃为语音识别、影像识别、自然语言处理的主流技术,甚至非常适用于生物特徵识别、环境识别、推荐系统等等诸多领域。

也就是说,只要懂得AI、机器学习、深度学习等运用诀窍,要想开创惊天动地的创新应用,机会相当大,此乃其备受关注的原因所在。

至于机器学习、深度学习,基本上都是实践人工智能的技术项目。所谓机器学习,是透过演算法来推动数据分析,藉由学习来培养能预测判断某些事物的能力,训练愈多、愈久,预测与判断能力就愈强。

即使机器学习立意甚佳,但多年来包括决策树学习、贝叶斯网络等等一干相关演算法,都未能真正达到「广义人工智能(General AI)」目标,即是没能打造出相当于人类智力特徵、懂得思考且拥有感觉的复杂机器,充其量仅实现了「狭义人工智能(Narrow AI)」进程,最显着的应用型态便是电脑视觉,可惜此项应用并未完全符合「不倚靠手动编写带有特定指令的软件程序」的机器学习初衷,仍需采用大量人工编码,然后藉由人工编码分类器而衍生能够解析影像的演算法。

单就电脑视觉来看,似乎无法有效摆脱环境的遮蔽或干扰因素,导致影像判断精准度受到影响,亟待提升的空间着实不小。幸而后来神经网络技术出现,可望弥补过往种种机器学习技术之不完美。

AlphaGo神来一笔  炒热深度学习

神经网络的概念取材于人类大脑结构,个中蕴含许多层次,每一层各有神经元,假使有诸如图像等内容输入,这些神经元将基于预先被赋予的权重,各自执行不同任务,例如检查某图像的形状或特徵,然后再将所有权重数值予以加总,便产生出最终结果。

值得一提,只要训练的历程愈扎实,这个被电脑系所预测的最终结果,接近事实真相的机率就会愈大,此即为深度学习的奥妙之处,而深度学习也让人工智能出现爆炸性发展。

有人也许好奇,人工神经网络的概念由来已久,至少不是现在才横空出世的新颖技术,那麽为何深度学习为何迟至今日还未发光发热?原因很简单,要做好深度学习,就得训练网络、调整网络,以影像识别为例,过程中便可能需要输入成千上万,甚至数以百万、千万或上传张图像,不断优化调整神经元的输入权重,提高辨析图像的精准度。

但那怕是最简单基本的神经网络,亦需采用大量运算资源,过往如果以CPU加上显卡来推动此事,显然力有未逮,当然显现不出好成果,直至近年来GPU平行运算技术益发成熟精进,才使深度学习豁然开朗。

换言之,即使深度学习基本上算是机器学习的次分类,但两者确实有所不同。持平而论,机器学习已称得上是AI领域中的突破性成果,其透过监督式学习经验,促使电脑系统之中的数据集,学习到一个新的模式,可用以推测新的实例,或者萃取更多知识,但既然谈到「监督」,就必须仰赖人类的创造力,好让机器知道应该怎麽进行学习;反观深度学习,则大幅度摆脱了监督二字,透过大规模的神经网络,即使不经过人为干预,也能让电脑自移动脑思考。

迄至今日,举凡谷歌(Google)、微软、苹果、亚马逊、脸书、Tesla等备受瞩目的科技巨擘,都积极投入AI与深度学习。以Google为例,在2014年初即砸下了4亿美元的高额代价,快速出手购并DeepMind这家公司,而DeepMind创始于2012年,系由神经科学家、天才棋手Demis Hassabis偕同两个夥伴共同创立,旨在藉由机器学习与神经科学系统的结合,产生最佳技术,据以建立强大而通用的学习演算法。

到了2016年,经由DeepMind催生的AlphaGo,以4:1击败了世界大师级围棋冠军李世乭,自此一炮而红,才让人惊觉深度学习的威力确实强大。

事实上,DeepMind借助深度学习所缔造出的发展成就,并不仅止于AlphaGo,比方说在2016年底,与美国国家医疗服务体系(NHS)辖下的基金会Royal Free London,签定5年期的合约,目标在于处理172万个病患的医疗记录。

与此同时,DeepMind获得来自伦敦医院的两个数据库,包括100 万张视网膜扫描报告,以及头颈部癌症图像,前者有助于让DeepMind透过AI技术而确定退化性眼疾的早期徵万亿,后者则可训练AI软件如何识别头颈部的健康组织、癌变组织。

综观各界推动深度学习的应用方向,最饶富价值与商机的一块,无疑便是健康管理,例如未来人们只要在浴室洗澡,透过卫浴镜,即可量测其生理状态信息,并持续将相关数据上传云端平台,接着由专业医护单位负责解析数据,期望争取时效在第一时间察觉到人体的病变徵万亿,实时给予投药与诊疗,避免人们的健康与生命。

而车用电子则是另一个显着的应用方向,藉由车内影像识别装置,可持续监测驾驶人的脸部表情,进而推估其脉搏与呼吸频率,据此研判此人的健康或精神状态是否出问题,以便于后台管理中心适时妥善处理,防止车祸事件产生。


图说:透过深度学习的人工智能技术,可望协助病理学家迅速识别癌细胞,乃至挖掘出可能导致疾病的遗传因子。(来源:The Verge)