科創講座筆記：如何應用AI人工智慧？
來自各個領域、身處開發前線的科學家們在科創講堂 Sci-Tech FORUM 2018系列講座中分享，AI的創新智慧應用、目前的研究成果與限制，以及將在未來開啟什麼樣的可能性。
講座包括以下三個主題
- 資料背後的群眾智慧：社群大數據
- 讓機器跟人同等智慧：深度學習
- AI的更多可能：智慧應用
本篇筆記包括
- 我的 Take Away
- 各場講座的重點摘要以及 Q&A
- 各場講座的錄影檔
先說說我的 Take Away
- 如何將機器學習模式裡的標記標籤概念，有效的應用在我的日常工作中：組織整理每次用戶訪談中得知的使用情境、在那些情境會有什麼需求、在這些情境下我們的產品可以如何幫助他完成任務並滿足他各層面的需求？
- 目前的chatbot，是否研究的目的大於提供良好用戶體驗的目的？
- 有些人類感受極度主觀，比如音樂，人工智慧該在何種情境下使用？且該如何使用才符合人類對音樂的主觀體驗？
- 提出好的問題，才會知道該餵什麼資料，進而得出適宜的答案。
- 在人工智慧成熟到能夠自行運作之前，仍需要很多的工人智慧去幫大量資料做有價值的標記。
- 正在慢慢取代傳統機器學習模式的「對抗式學習」，跟二次元人物的概念很像：是機器一人分飾兩角，一個主要去搜集大量數據並整理出規則，一個是負責依照這些規則創作出人類想要的東西。
- AI的發展其實跟心理學和腦神經科學息息相關，儘管目標與研究風格不同
- 人工智慧的發展主要分為五個階段，計算和記憶 > 感知 > 認知 > 創造 > 智慧。目前階段介於感知與認知之間。
以下是各場講座的重點摘要以及 Q&A
看不見的機器人 社群網路背後的語意理解智慧
台大電機教授 黃鐘揚
簡單說chatbot的運作模式
- 標籤化使用者的輸入 <-> 標籤化系統預設的互動模式
- 使用者輸入文字詞句後，chatbot會解構分析該輸入是否在系統中有所對應的標籤，接著對應到該標籤所連結的系統互動模式，以該模式回應使用者。
先確定研究目標，針對所觀察、蒐集到的，使用者的動機、動作、渴望、想完成的任務，給他們下標籤，比較好去組織歸納演繹這些觀察。
Q&A
問：用戶可以花三秒鐘google到自己所想要的資訊，真的有需要chatbot？
答：chatbot是一個訊息互動管道。目前大部分人花非常多時間在通訊軟體上，因此思考如何可以在這些平台上置入chatbot。
我在這邊的思考是，目前的chatbot，是否研究的目的大於提供良好用戶體驗的目的？因為一般人在需要搜尋資訊的情境中，第一個念頭是會想要開啟通訊軟體嗎？還是直接google比較直覺？
對抗式學習：透過生成者和鑑別者的互動來讓機器學習、創造
台大電機助理教授 李弘毅
機器學習的基本運作模式
從數據中歸納、找出能預測的模式規則
為何要從原本傳統的督導式學習移轉至對抗式學習？
督導式學習的機器所做的創作，是否只是從人類餵食的資訊選出幾張做小小的調動？（抄襲？真揀選假創作？）
督導式學習與對抗式學習的差別？
- 原本的機器學習模式較偏向督導式學習
- 缺點是，生出的創造可能都只是從原本的資料裡做小小的調動，不是人類所認為的真正的創作、只是抄襲。
- 運作模式為，機器的角色與運作方式一致，都會去爬資料、生成規則並依循這個規則去創造。
- 對抗式學習則是目前正在開發的學習創造方式
- 好處是，不需要人力介入即可自我監督，生出很多樣、且符合真人行為的模式。
- 運作模式為，機器分飾兩角，生成者及鑑別者，可以生出很多樣且符合真人行為的創作，也不需要人介入。
以二次元人物來說明對抗式學習
- 鑑別者：負責爬大量既有的真實資料，梳理出規則與模式，用這樣的規則模式判斷生成者生出的圖是否正確。規則模式亦會一直優化。
- 生成者：負責遵循鑑別者的規則與模式做創作。
實際應用
- 圖像轉換
- 餵很多梵谷的畫給鑑別者，讓他找出規則。生成者則依照此規則創作。
- 翻譯
- 傳統翻譯方式：機器需要有人類餵他很多資訊以及規則。每次學習新的語言都要重新訓練。
- 現在的方式：不需人類介入，鑑別者會去爬很多文章，歸納出規則，然後再告訴生成者。
Q&A
問：在人工智慧、機器學習領域中，創作的定義是？
答：機器能創造出，符合人的認知經驗，同時又讓人是全新事物的東西。
/
問：如何建立鑑別者的運作架構？
答：目前還沒有一個完全正確的模式。
/
問：深度學習和對抗式學習的差別？
答：對抗式學習屬於深度學習，而深度學習又屬於機器學習，而機器學習是現在開發人工智慧的方式
/
問：對抗式學習v.s. Reinforcement學習的差別
答：
- 相同點：生成者會被賦予一個目標，即是在鑑別者那得到最高的評價。
- 差別點：對抗式學習的鑑別者，這個人的角色、規則、運作是會一直變動的。但Reinforcement學習的環境是固定不變的。
小APP背後的大數據與人工智慧
清大資工副教授 吳尚鴻 （研究領域：machine learning , big data management, app/web intelligence）
創業：Flora
- 想解決的痛點：人很容易分心，如何保持專注？（一分心就需要約20分鐘的時間重新回到專注模式）
- 切入點：用Gamification去解決這個問題
- 產品特色：跟朋友一起種樹，如果有人開啟其他APP時，這個棵樹就會死掉，大家也會知道是誰殺了這棵樹。
Deep transfer learning技術
- 定義：用來學習事物 A 的學習模式亦可以複製到事物 B C D。就像人一樣，人的學習模式是累進的，學習一項新事物時不會從頭建立學習模式，而是會奠基在之前學習其他事物的模式之上。
- 實際應用：快速製作適合各種平台的吸睛廣告。
AI並不神秘，不過就是要問個好問題
政大應數系副教授 蔡炎龍
- 將問題化為函數
- 好的問題才會知道要餵什麼資料，進而得出適宜的答案
- 深度學習（神經網路）有三種模式：NN, CNN, RNN
- 當問題得不出答案時，可以調整一下問題，比如：
- 失敗的問題：請問某球員明年會打多少支全壘打？（精確問法）
- 成功的問題：請問某球員明年的全壘打數目區間為何？（區間問法）
Q&A
問：在商業上，該如何應用這種方式去知道哪些公司值得投資？
答：函數的輸入值為公司資料，輸出值為值不值得投資。而這麼函數模式的建構方式則是，一開始也是人工判斷、制定出規則，然後讓機器去學習這個規則模式。
/
問：當機器真的可以複製人類的神經網路運作模式後，三分鐘就得出人類累積三十年的經驗洞察時，人類該怎麼辦？
答：目前機器的類神經運作模式只可以侷限在某一個項目上面，而機器之所以執行這個項目研究，也是因為人類「決定」提出一個「問題」。
人工智慧在影像處理與電腦視覺上的應用
台大資工教授/系主任 莊永裕
何謂智慧？
人的智慧是一種，從五感、全情境去理解世界並做出適宜反應的能力。
從這個角度來看，演算法該如何擁有這樣的智慧？
以下演算法應用，能解決相片因為相機、技術、天氣所造成的各種不完美
- Dehazing
- Style replacement
- inpainting
- recomposition
- face synthesis
對抗式學習的應用
- 使用者可以把自己喜歡的照片餵給鑑別者
- 鑑別者學習模式後告訴生成者，生成者即可修改出使用者喜歡的照片
Q&A
問：從演化的角度思考，如果人腦的設計是為了繁衍生存，為何人腦會去思考，人為何物、意識為何物？這些最根本的問題人類都無解了，那我們該如何去控制機器智慧、意識的發展？
答：這是意識倫理的問題。我們現在還在發展人工智慧的感知認知階段，可以在問題發生時再好好來思考這個解法。
的確應該做這樣最根本的反思，但這樣哲學問題會使科技發展速度慢下來，這可能也不是很多人想要的。
從分析到創作：談人工智慧應用於音樂的想像與真實
中研院助理研究員 蘇黎
音樂很主觀，如何應用人工智慧並同時符合人類對音樂的主觀體驗？
在音樂領域中，人工智慧可以扮演什麼角色？
- 聆聽者：自動採譜
- 鑑賞音樂是人類所崇尚的技能，屬於複雜高端的智慧，是否能在這個層次上研究人工智慧
- 許多音樂只能口耳相傳，是否可以用模式化、可scalable的方式記載下來？
- 演出者：自動跟譜（即時偵測音樂走到哪裡、有哪些伴奏音樂、環境變化為何）
- 需要即時、感受敏銳的演算法，以即時偵測音樂走到哪裡、有哪些伴奏音樂、該做什麼調整
- 目標是不需要任何排練就可以直接跟進、對譜
- 教育者：評論修正
- 創作者：作曲編曲
想像與現實
- 被取代被毀壞的焦慮：人類價值、自由意志的價值不再？以下兩種科技發展論點
- 藝術創作的天動說：人才是藝術創作的中心！
- 藝術創作的永動機假說：機器會源源不絕地創造出很多好音樂
- 人工智慧與cargo cult science（李察費曼理論）
- 反思人工智慧建立的條件
- 資料、標記（非常耗時費力，需要專業人士去做一個個的標記）模型、目標函數
- 反思將人工智慧應用在音樂上的目的為何？
- 讓音樂創作者可以專注在創作上，而非複雜繁瑣的事情
Q&A
問：機器製作出的作品，是否會有著作權、法律、道德議題？
答：不確定。但比較不會牽涉到這些議題的，可能是價值較不高的，比如說是給音樂創作者作曲的元素，或是罐頭入場音樂。
/
問：這裡所指的「標記」為何？
答：例如，每個音的開始與結束為何、音高為何。
AI在心理學研究與相關產業的應用
台大心理助理教授 黃從仁
AI與心理學、腦神經科學有什麼關係？
- 人腦的兩種模式（快思、慢想）v.s. 人工智慧的兩種典型（演繹法、歸納法）
- 快思 ＝ 演繹法：知道規則再去判斷你為何做這件事
- 慢想 ＝ 歸納法：搜集過去的經驗，歸納出規則
- 人工智慧的兩種典型（演繹法、歸納法） v.s. 對抗式學習（生成者、鑑別者）
- 演繹法 ＝ 生成者
- 歸納法 ＝ 鑑別者
心理學、腦科學研究如何幫助AI發展？
- 了解人的心智模型是如何運作
- 瞭解如何發展出更好的深度學習架構
- 了解人工智慧該如何運作才是適合人類的
- 應用人類的學習模式：從失物中改進、避免犯錯的學習方式。人類會透過語言、跟人互動、看書等等，來去得到前人的智慧，避免犯錯。
AI在心理、腦科學研究上的應用
- 可了解哪些腦區處理/儲存哪些資訊
- 從腦訊號知道你在思考/看什麼，從腦部反應重建這個人剛看到的東西。（黑鏡啊…）
- 了解腦訊號的本質，幫助設計腦機介面/神經義肢
- 研究人類社會互動，發展設計出適合人類社會的機器人
- 機器學習的運作模式跟人類發展心理學很像，是機器自己研發出有效率的運作規則，而不是一直吃他人餵進來的資料、規則。
AI在心理學相關產業的應用
- 人員招聘：分析履歷、自傳
- 幫助自閉兒發展社交技巧
- 治療口吃、減緩社交焦慮、治療一般性的憂慮焦慮
- 長照：陪伴機器人，增加正負面情緒
可能的議題：機器學習的傲慢與偏見
機器決策有如一個黑盒子，被機器決策影響到的人，可能無從得知這個決策是如何做的。
從手機解讀人類行為 以成癮為例
林煜軒醫師
這位醫師是個神人級slash，同時是精神科醫師、教授、資料科學家、後端開發者…
相關開發
- 智慧型手機成癮量表：旨在研究，手機黏著度越強，這樣的心理模式是否跟有煙癮酒癮的大腦一樣呢？
- Know addiction APP：自動記錄個人使用手機的時間，並發送訊息來減緩手機成癮狀況。因為發現人們通常會大大低估自己使用手機的時間。用手機時間越長的人通常低估的程度也越大。
Q&A
問：如何解決手機成癮？
答：這需要先做到，很全面性、很客製化的了解患者的生活模式跟生長脈絡，才能做出相對應的治療。
/
問：除了網路成癮手機成癮，是否有想做其他的成癮研究？
答：目前從手機成癮切入研究，期待未來可以套用在其他成癮行為。
/
問：很多人會用手機去從事一些原本沒有手機時就會做的事，比如深度閱讀，但這就不等於成癮。如何排除這些bias？
答：先將「成癮」定義清楚。在研究中，成癮的定義是，這個人是否失控。
各場講座錄影檔
目前主辦單位僅上傳這幾部，若有更多影片上傳，我也會在這邊更新：）
