屬於台灣人的AI入門書：《人工智慧在台灣》
去年暑假的時候，因為準備外貿協會的招考，因為覺得人工智慧這個趨勢可能會出現在考題裡面，所以決定要找一本入門書來讀。在讀這本書之前，我只有學過基礎的Python、R跟Stata，在經濟相關的課堂上老師有帶我們跑過機器學習（Machine Learning）的程式，但是其實對於人工智慧的架構，人工智慧可以在產業界的應用，還是不太了解。
這本書的全名為《人工智慧在台灣：產業轉型的契機與挑戰》，是由台灣人工智慧學校（Taiwan AI Academy）執行長陳昇瑋所寫。很遺憾的是，陳昇瑋在書出版之後的一年後過世，這本書也就成為他送給台灣人工智慧領域最後的禮物。
本書一開始作者敘述自己如何踏入人工智慧領域，除了在學術界研究人工智慧，也積極接觸產業界，並建立台灣首個結合產官學的人工智慧社群，最後建立台灣人工智慧學校，把學術界的研究成果，結合到產業界，希望最終達成台灣「AI產業化，產業AI化」的目標。
根據訊息理論（Information Theory），要有變化才會有資訊，所以要做AI的第一步，其實是組織要鼓勵實驗精神，組織才會有多元的資料，可以去發展AI。因為AI是人、資料、機器學習三者互動的結果，只有後面兩者是無法發展AI的。
書中另外引用Kauffman (1995)提出的「紅皇后效應」（Red Queen Effect），因為商業的動態競爭，組織必須更快的學習，才可以生存。但是隨著市場的淘汰機制也在加快，所以商業競爭的步調也隨之加快。因為競爭環境越來越激烈，所以產業比過去更需要導入AI相關的技術以維持競爭力。
三波人工智慧
- 第一波（1950–1960）符號邏輯（Symbolic Logic）：把人類的知識與思考放入電腦
- 第二波（1980–1990）專家系統（Expert System）：讓電腦照人類定義的規則做決策
- 第三波（2010-）機器學習（Machine Learning）：不事先給電腦規則，讓電腦由專家的歷史行為來自動學習
第三波人工智慧其實就是要解決「博藍尼悖論」（Polanyi’s Paradox）的問題，也就是專家往往不能把自己的決策原則，用系統化的方式說清楚。甚至，不同的專家之間的規則，還會出現矛盾、心口不一、沒有共識的狀況。
人工智慧（Artificial Intelligence, AI）其實不是一個新的東西，只是隨著時間的演進，發展出了機器學習（Machine Learning, ML）跟深度學習（Deep Learning, DL）。AI就像一個大範疇，裡面包含了ML跟DL。
機器學習可以分為以下四個大範疇：迴歸（Regression）、決策樹（Decision Tree）、支持向量機（Support Vector Machine）以及神經網路（Neural network）。第一個提到的迴歸可能會讓讀者想起統計學裡面的迴歸分析，那統計跟機器學習的差別是什麼呢？
- 統計：使用科學方法，見微知著
- 機器學習：使用工程方法，用已知的資訊去預測未知
而如果要更進一步要做到深度學習，就還要在既有的機器學習下，讓模型可以自動進行特徵工程（feature engineering），才可以算是深度學習。
在大致了解什麼是AI之後，書開始深度介紹AI的一些細節：
資料
- 非結構化資料：文字、影像、聲音
- 序列資料：溫度、濕度、交易資料
如果有足夠的資料量，深度學習才可以提供比機器學習更好的解答。所以如果資料量不夠多的話，也許使用機器學習或是單純的迴歸也可以提供不錯的解答。
學習
- 監督式學習（Supervised Learning）：使用Data Tagging的方式進行學習，告訴電腦一些標籤，讓電腦根據這些標籤去建立規則。90%的人工智慧都是使用這個方式，有名的例子如Alpha Go。
- 非監督式學習（Unsupervised Learning）：使用No Data Tagging的方式進行學習。
- 增強式學習（Reinforcement Learning）：讓電腦從做中學，找出自己的規則並且做出決策，有名的例子如Alpha Zero。
簡單來說，我們都希望把資料「餵」給電腦之後，他們可以產出一個通則，讓我們可以預測未來可能會發生什麼事情，同樣是Input跟Output的關係，但是隨著技術的進步，中間的「黑盒子」就有不同：
- 專家系統：Input → Expert Rules → Output
- 機器學習：Input → Feature Engineering → Machine Learning → Output
- 深度學習：Input → Deep Learning → Output
如果只有小規模的數據，機器學習是會比較準的；如果擁有大規模數據，深度學習是會比較準的。
但是AI也不是萬靈丹，與情境相關的東西不容易預測，例如說戰爭（人為因素）、颱風（測站不夠密集）與地震（雜訊多）。AI擅長的領域比較是樣本數多，而且與情境無關的事情，例如下棋、車牌辨識、人臉辨識等。總之，例外不多的事情，很適合用AI。
「AI產業化，產業AI化」
書中提到，現階段真正懂AI的人都在學術界，但是學術界的人不懂產業，加上升等壓力跟法規限制，產學合作不容易進行。台灣有很多優秀的產業先進，但是他們不懂AI可以怎麼幫助他們的公司。簡單來說，產業界有實務資料、學術界有超過十年的AI技術，照理來說可以激發出更大的成果才對。
AI可以幫助製造業 (1) 瑕疵檢測、(2) 自動流程控制、(3) 預測性維護、(4) 原料組合最佳化。然而製造業在AI轉型上面臨到很多挑戰，例如資料取得不意、資源不足、人才短缺、IT基礎建設不足、找不到合適的題目等。
作者建議在導入AI的同時，公司的文化也要改善。要有實驗容錯的空間、資料導向決策（Data-Driven Decision Making）、不被KPI/ROI綁住等。而且在公司導入AI前，之前的「IT技術債」要先還完，不然是沒辦法越級打怪，直接享受到AI的好處。
最後作者提出三個可以發展AI的條件：
- 影響決策值（Y）的情境與條件，可以被量化且紀錄下來成為觀察值（X），通常與情境非高度相關
- X跟Y的樣本品質好、數量多
- X跟Y的關聯是穩定的。如果X1與X2相似，則Y1跟Y2也應該要相似
總結來說，這本書很適合當作AI的入門書，而且也可以了解到AI可以怎麼跟產業界做結合。根據書中的敘述，零售跟金融是比較早導入AI的產業，但是製造業佔台灣經濟的比重比較高，若未來可以在製造業中導入更多AI，一定可以使台灣的製造業更上一層樓！
