用戶登入
懇請您立即點擊填寫「2017年科技發展觀測平台與電子報滿意度調查」。我們期待提高問卷回收率,請繼續給我們支持與鼓勵,感謝您!
焦點新聞
2018年人工智慧技術成熟曲線
.2018/08/15
摘要 Gartner的研究指出目前市場上對於AI存有過於誇大之虞,各界人士對AI多有自己的見解,但是大多是基於對於AI模糊的認知,其報告認為AI其實是許多創新的價值創造的集合總稱。在AI技術成熟曲線中,處於過度期望高峰期(Peak of Inflated Expectations)的技術越來越多,但是實際進入生產階段的仍相當少,根據調研結果指出,目前僅有4%的企業資訊長(CIO)表示公司已有AI計畫。
Gartner的研究報告指出,2018年具顛覆性效益的AI相關技術中,預估語音辨識(Speech Recognition)將在2年內被產業應用;而2-5年內可能被產業應用的技術包含:AI的顧問及系統整合服務(AI-Related C&SI Services)、深度神經網路(Deep Neural Nets, DNN, 2017年名稱為Deep Learning)、機器學習(Machine Learning)、虛擬助理(Virtual Assistants)、聊天機器人(Chatbot)、虛擬個人助理無線喇叭(VPA-Enabled Wireless Speakers)與智慧應用程式(Intelligent Application),其中前四項已在2017年的AI技術成熟曲線提及,後三項為本年度新增項目。而預估5-10年內能被產業應用的技術包含:認知運算(Cognitive Computing)、對話式使用者介面(Conversational User Interfaces, CUI)、自然語言處理(Natural-Language Processing, NLP)與神經型態硬體(Neuromorphic Hardware),上述技術皆與2017年相同。後續將介紹企業資訊長與IT領導長認為各界應持續追蹤的AI發展趨勢,以及具顛覆性效益的技術。

一、 企業資訊長與IT領導長應追蹤的主要趨勢。
(一) 對話式人工智慧(Conversational AI):許多企業已著手開發相關應用,如Amazon Alexa、Google Assistant與虛擬個人助理無線喇叭。為開發聊天機器人與語音應用策略,執行者應持續關注虛擬助理、聊天機器人、自然語言產生(Natural language generation, NLG)、NLP與語音辨識系統在進入實際生產高峰期(Plateau of Productivity)所需的時間。
(二) 機器學習:隨著新工具與方法持續挹注至市場,將促使機器學習、DNN,整體學習、預測分析與建議分析(Prescriptive Analytics)逐漸成為常見的能力。DNN仍為執行者與科學家的發展焦點,但關鍵重點仍在於尋找深度學習可解決的合適問題。
(三) 運算架構(Compute infrastructure):為AI量身訂製的運算架構,將驅動AI前沿技術的發展。圖像處理(GPU)加速器、現場可程式邏輯閘陣列(Field-Programmable Gate Array, FPGA)加速器、深度神經網絡特定應用積體電路(ASIC)與仿神經型態硬體(Neuromorphic Hardware)皆展現不同的運算概念,且更多的運算方式即將在未來陸續興起。
(四) AI將成為應用程式開發者與軟體工程師的主要工作內容,Gartner建議資訊長與IT領導者應鼓勵開發者嘗試AI開發工具箱與AI 平台即服務(PaaS),同時規劃提升開發者技能以使其為AI策略的新角色做好準備。

二、 語音辨識
其影響性由2017年的高度效益提升至今年(2018年)的顛覆性效益,市場滲透率超過50%,預估2年內可為產業運用且處在實際生產高峰期。
(一) 定義與進展:語音辨識是指轉換人類語言至文字以進行下一步運算的技術。語音辨識在過去3年快速發展,包含IBM、Microsoft、微軟、亞馬遜與百度都展現語音辨識技術的大幅改善,並宣稱其表現可媲美人類或更好。在開發者與處理持續改善的情況下,使服務更加完善,如2018年Google透過提供多種機器學習模型以適用於不同的環境(如電話、語音指令與影像)與改善標點符號,使文字紀錄更具可讀性,從而徹底改變Google Speech至Text API的性能。隨著演算法與硬體的持續進展,促使語音轉換至文字的應用程式不斷推進,使企業對於如虛擬助理與聊天機器人這類對話式代理人的採用率,以及消費者透過智慧手機、如Amazon Echo與Google Home這類虛擬個人助理喇叭的接受度越來越高。
(二) 商業影響:語音辨識可被視為單一商品,因其能被建置於各種不同的自然語言工作流程中。雖然在一連串的技術突破後,技術進展速度逐漸放緩,但隨著利用語意與DNN混合模型,以及GPU/TPU硬體的應用,仍不斷出現新的創新與改良。Google、Apple與微軟等科技巨擘也持續從消費者選擇中收集大量訓練資料並改善演算法,預計將在未來兩年內解決大多數語音辨識的問題。
延申閱讀
資料來源 Hype Cycle for Artificial Intelligence, 2018