/ 發布日期：2017/08/11/ 瀏覽次數：58

一、前言 Gartner仍認為AI不需要被創造成人類的形式，也不需要為人類傳遞顯著的商業價值。但務實的企業將持續部署虛擬或機器形式的現代化AI，藉以增強或取代人類的智慧，最終AI將超越人類在部份知識領域的能力，並執行許多專業、特定和例行性的工作。在Gartner的AI技術成熟曲線研究報告中，認為語音辨識(Speech Recognition)與整體學習(Ensemble Learning)技術具備高度效益，並將在2年內被主流產業採用，後續將針對上述技術進行說明。 二、語音辨識(Speech Recognition) (一) 定義：語音辨識技術是將人類的語音內容轉換為相應的文字。 (二) 商業影響：語音辨識技術幾乎每月都有新突破，隨著深度學習(Deep Learning)在這領域的持續創新，將為IT產業帶來偌大的影響。語音辨識是許多智慧設備(Smart Machines) 應用的核心，具有擴展智慧系統的效用和應用潛力。 Qualcomm、NVIDIA、Intel及ARM公司在2016年推出新型專用機器學習晶片，將加快邊緣設備運行語音辨識模式的能力。但隨著越來越多的服務和經驗變得數位化，需要簡化及可隨時隨地存取的功能，因此將會看到自然語言(Natural Language)和語音的介面穩步地發展。 三、整體學習(Ensemble Learning) (一) 定義：整體學習技術是機器學習演算法，建立一組預測模型，並產生一組權重，再依據預測與權重產生投票結果。這種方法是建立在「群眾智慧Wisdom of The Crowd 」原理上，多樣化的觀點或產出模型是整體學習技術的關鍵。 (二) 商業影響：幾乎每個預測分析案例與機器學習任務，都可從整體學習技術中獲得顯著的利益，成功的應用案例可增加整理學習技術的聲譽，以利提高預測的精準度。整體學習可應用於金融與行銷服務，並針對顧客做消費者行為的預測。 四、現況與為風險 AI的快速發展是取決於其系統所具備的能力，分述如下： (一) 機器學習:攝取和分析大量非結構化資料後，採用強大的深度學習技術。 (二) 在輸入資料的過程中進行模式辨認與分類。 (三) 透過複雜和疊代的機率運算取得預測結果。 (四) 在人類與機器的監督下進行訓練，或進行非監督式的訓練。 (五) 自主運作亦或與人類協調合作。 此外，Gartner也認為AI的技術購買者應考慮下述風險： (一) 雖然失敗的風險很高，但在數位企業(Digital Business)的時代中，企業過時與不具競爭力的風險更高。 (二) 雖然潛在的利益很大，但仍有失敗、挫折和新興技術「泡沫化(Disillusionment )」的風險存在。 (三) 勝利者將逐步啟動人工智慧計畫，並同時採取風險緩解策略與適當的技術，但也將長期投入資源。