QKC20191122：彭鴻霖_品質人解讀人工智慧

hlperng

品質學會品質知識社群 (QKC) 研討會
專題：品質人解讀人工智慧
時間：2019 年 11 月 22 日(星期五) 19:00 - 21:00   
地點：品質學會九樓教室（台北市羅斯福路 2 段 75 號）
主講：彭鴻霖會友

hlperng

緣起：
QKC 會友 Tina 在 QKC Line 群組上傳了兩篇文章：

• RD01. 蔡明順 (2019-11-02)，Reimage! 大 AI 時代的起點 (33 pages)
• RD02. 洪士灝 (2019-09-21)，人工智慧開發環境的建置-高效能的深度學習系統 (124 pages)
  

作者簡歷：

• 蔡明順：台灣人工智慧學校營運長
• 洪士灝：台大資工系教授兼副系主任
  

科技的開發與產品的研製，是以食、衣、住、行、育、樂、身、心、靈等為標的。

人工智慧的數學基礎是機率理論與資訊理論，機器學習應用大量的機率理論、深度學習則是資訊理論的發揮。機率理論解惑、資訊理論推論。機率理論處理數據的均、差、偏、峰，資訊理論定調物體的移、彎、扭、顫。

人工智慧技術的發展與應用深深影響人類的生活與文明，相對地帶來的風險，其程度可能遠大於核子技術，即使是發生的機率非常低，也不能忽視此一課題，特別是要從倫理 (ethics)、道德 (morals)、與道義 (deontology) 的角度切入，相關議題包括：負責的人工智慧 (Responsible AI)、值得信賴的人工智慧 (Trustworthy AI)、人工智慧倫理 (AI Ethics)。

人工智慧是利用電腦程式模擬人類的智慧行為，包括：感官感知 (perception)（拼音辨讀、視覺辨識）、大腦認知 (recognition) （理解學習、推理決策）、與身心動作 (action)（認知決策、意見表達、位置移動、動作控制）：

• 感知：模擬五官知覺功能，對於外部刺激資訊（視覺和聽覺）進行感知與處理，包括電腦視覺、語音處理等。
• 認知：模擬人腦處理功能，從樣例或與環境的互動過程進行學習，包括指導學習、無指導學習、與強化學習等。
• 行動：模擬手腳口舌功能，自然語言理解、推理、規劃、決策、認知表達等。
  

應用人工智慧在技術創新，可協助企業改善生產力與提升競爭力。

2017 年美國國會議員 Maria Cantwell 提議法案，定義人工智慧應該滿足以下列特徵：

• 所有可在多變且不可控的情況下作業，無需過多人工監管，或可自學以往經驗、改善表現的人工系統。此類系統可以搭載在電腦軟體、實體硬體、或以尚未考慮到的其他形式，能夠從事需洞察、認知、計畫、學習、交流或行動等類似人類行為的任務。換言之，人工系統在其所從事的任務中表現越像人類，就越可稱得上是採用了人工智慧。
• 可像人類一樣思考的系統，如認知架構與神經網路。
• 可像人類一般行動的系統，如通過圖靈測試或其他利用自然語言處理、知識表達、自動推理、學習等同等測試的系統。
• 如機器學習等模擬認知任務的技術。
• 理智行事的系統，如通過洞察、計畫、推理、學習、交流、決議及行動等活動從而完成目標的智能軟體代理及內置機器人。
  

人工智慧的關鍵在數位轉型，最大挑戰為改變過去習慣。改變不在於時間，而是在於意願。人工智慧帶給社會優勢，不是取代人類。機器人無法取代人與人之間的溫暖與愛心。

資訊科學、心理學、哲學、統計學等學術領域開始合併，產生了現代人工智慧的基礎。
AI 加速發展的原因：更多的數據 (more data)、更快的硬體 (better hardware)、更好的演算法 (better algorithms)。

• 數據：數據量越多、神經網路的運作越有效。行動應用、物聯網應用、與儲存成本降低，促使數據大量成長。
• 硬體：GPU 平行運算架構提供機器學習更佳的運算效能，GPU 運算成本快速降低，使人工智慧進入商品化階段。
• 驗算法：數據與硬體的進步驅動更多研發人力投入深度學習應用，Google 的 TensorFlow、Berkeley 的 Caffe、Facebook 的 Torch 等開源架構使開發者可以在平台投入貢獻。
  

近十年來人工智慧產業的突破都要歸功於機器學習。
人工智慧 (AI) ⇒ 機器學習 (ML) ⇒ 深度學習 (DL)
資通訊科技三大新應用趨勢：AI、AIoT、Blockchain


人工智慧的發展歷史回顧：
世界各國已經把人工智慧當作國家策略，AI 可以說是繼原子、奈米之後，另一個普及到庶民層級的科技新名詞。


RD01 page 4:



RD01 page 7
人工智慧技術開發的萌起、成長、低潮、再出發。







異常偵測

品質人的角色：過程 (process) 或產品 (product)

• 過程：O&M、生產力、TPM、OEE、
• 產品：R&D、品質管理、TQM、RAMSS
  

人工智慧機器學習的數據處理功能：線性鑑別分析與邏輯回歸。線性鑑別，觀測數據與假設模型的線性關係，作為辨識與預測的基礎。線性代數中的最小平方法 (LSM) ，計算殘差平方和 (RSS) 數值求解。


參考資料：

• 詹文男 (2018)，人工智慧對台灣產的影響與策略
  

hlperng

負責的人工智慧 (Responsible AI, RAI)

Microsoft 對於負責的人工智慧 的六項指導原則：

• 公平性 (faireness)
• 可靠性與安全性 (Reliability and Safety)
• 隱私性與般全性 (Privacy and Security)
• 包容性 (Inclusiveness)
• 透明性 (Transparency)
• 負責姓 (Accountability)
  

負責的人工智慧框架的四個關鍵領域：

• 治理 (governance)
• 設計 (design)
• 監視 (monitoring)
• 技能再造 (reskilling)
  

谷歌 (Google) 提出負責的人工智慧應該具備機器學習公平性、可解釋性、隱私性、與保全性等特質，建議及實踐的實務包括：

• 使用以人為本的設計方式
• 識別訓練與監視的多重評價指標
• 直接檢查原始數據，若可能時
• 了解所使用資料集與模型的限制
• 測試、測試、再測試
• 佈署之後持續監視與更新系統
  

Source: https://s3.amazonaws.com/dev.ass ... le-ai-3-600x325.png


為了能夠產出可以理解和完善的輸出結果，人工智慧的學習過程必須有足夠且正確的數據與資訊。
對於負責的人工智慧的圖形技術而言，與所展示的圖形相關的所有周邊資訊所構成的內涵 (context) 是相當重要的因素。內涵不明確的人工智慧，缺乏適切的情境，無法提供更適合人類決策的有用建議。內涵有助於決策建議的可解釋性與透明性，使飲用決策建議的人可以有更好的全貌與看清楚的決策過程。



參考資料：

• Unit 4 of 7, Identify guiding principles for responsible AI, Microsoft Website
• Wei Zhu (2019), 4 Steps to developing responsiblie AI, World Economic Forum
• Jeff Dean and Kent Walker (2019), Responsible AI: Putting our principles into actions
• -, Responsible AI Practices, Google AI website
• -, Identify guiding principles for responsible AI, Mcirosoft