藉助深度学习 大幅推升大数据应用成效
- 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。
