第20講 理解AI

  因AI成為當今主流的智能學習工具，所以要對以往的方法進行改善。同時，通過對數據的活用，可以獲得以前無法得到的答案。而且，這條道路今後很可能會有更長遠的發展。那麼，智能學習具體是怎樣的一種方法呢？

  在講智能學習之前，首先說明一下以前是怎樣對計算機發出指令的。在考慮對計算機發出指令時，有3個必要因素：輸入（input），程序算法，輸出（output）。

  其中最重要的就是程序算法。充分考慮這個程序（程序算法），是對計算機發出指令的基礎。由人去努力思考程序算法，就是一直以來使用的方法。

  而另一方面，智能學習的話，作為基礎的程序（程序算法）不是由人來擬定，而是由計算機通過學習後自己去擬定的。可以大致理解為，計算機根據大量的輸入數據和與之對應的輸出數據，計算出輸入和輸出之間的相關性。

  這樣一來，人應該做的事，就不是思考程序算法，而是準備大量的輸入數據和輸出數據了。在這個過程中，計算機會根據數據來找出輸入和輸出之間的關聯性，也就是可以發現程序算法。

  我們用事例來進行補充說明。

  例如，假設現在要擬定一個程序算法，輸入是照片，輸出是表情認知，即識別照片裡的臉是在生氣、是在笑還是哭。

  在這種情況下，如果使用以前的方法，就要對頭像照片的要素進行分解，指定哪個部位應該怎樣觀察，在怎樣的條件下判斷為「在生氣」，在怎樣的條件下判斷為「在笑」，這些都是由人來思考並擬定程序算法。

  

  相對地，如果採用機器學習的方法，最初的一步是準備輸入和輸出的數據。要準備多張頭像照片作為輸入數據，並且判斷照片裡面的表情是「在生氣」，還是「在笑」，或是「在哭」，作為輸出的數據來使用。

  也就是說，把表情作為標籤和照片對應，並且，把大量頭像照片和對應的照片都錄入計算機。最後，計算機就會參考大量的數據，思考可以識別表情的程序算法。

  在機器學習的過程中，可以通過以下步驟來讓計算機思考程序算法。

  1. 決定什麼作為輸出

  2. 決定什麼作為輸入

  3. 準備多個輸出和輸入的組合

  1. 決定什麼作為輸出

  剛才的例子是以臉部表情作為輸出，下面我們以銷售額為輸出來講解。因為銷售額作為目標非常明確，而且從量化的角度來說，可以用金額來表示，是非常清晰易懂的輸出。

  另外，如果以「學習」為例的話，情況會怎樣？以學會了或者沒學會作為輸出，雖然可以作為方向，但是很難找到清晰的判斷標準。

  以往我們會以測試的分數作為是否學會的結果指標，但測試的意義不外乎是對記憶的確認，要充分考慮好定義以及具體要如何量化。

  如上所述，在實際業務中，確定以什麼作為輸出是最重要的工作。

  需要充分考慮「這個輸出是要獲得什麼」「這個輸出可以用什麼來計量」，還要考慮「怎樣可以量化」。

  2. 決定什麼作為輸入

  決定輸出的內容以後，需要儘可能找出可能對這個輸出內容產生影響的輸入內容。數據越多，程序算法的精度越高。而且，對大量的數據進行處理是計算機擅長的事。因此，要有意識地找出儘可能多的可能對輸出產生影響的內容。

  另外，和輸出一致，輸入在最後也要進行量化。大家在羅列輸入內容時，同時要有意識地思考如何能夠進行量化。

  3. 準備多個輸出和輸入的組合

  輸出和輸入確定以後，最後一步就是準備多個這種數據的組合，把這些數據錄入計算機。

  現在需要的是，輸入和輸出的大量數據。如果輸入的數據和輸出的數據都已經齊全了，就沒問題；另外，如果在某些地方已經存在這些信息，只要收集過來即可。

  另一方面，如果需要重新收集數據，以後是否能夠固定地獲取數據也要一併考慮。

  練習題

  你在人才培養公司工作，主要負責邀請社會人士來聽本公司的講座。上司交代你，希望能夠使用AI進行判斷，向有意願聽講座的人員推薦合適的講座。你的手上有過往的實際數據，知道什麼講座比較受哪一類人群歡迎。

  你考慮製作AI程序，以什麼講座受歡迎（推薦什麼比較合適）作為輸出，那麼什麼內容可以作為輸入呢？請思考幾個可能與推薦講座有關係的因素。

  解答

  與所屬企業有關的信息可能有行業、職位、部門、企業規模，與聽講座的人有關的信息可能有年齡層、性別等。

  例如，如果收集到了以下關於輸入和輸出的數據，就要以輸入數據和輸出數據組合的形式來錄入計算機。

  這樣的話，把行業、職位、部門、企業規模、講座購買者的年齡作為輸入數據錄入後，計算機就會根據對過往實際數據進行學習的結果，作為輸出，推薦哪些講座科目比較合適。

  STEP UP！

  從學習的意義來說，實際上不止於此。計算機推薦的科目，在推薦之後，最終是否真的銷售出去了；或者說，購買者是否選擇了別的科目，這些結果可以作為數據進行積累。這樣，講座課程是如何銷售出去的，相關數據就能進一步累積起來。

  通過這樣去做，累積起來的數據就能用於下一次學習，形成良性循環。

  因此，哪怕最初的數據非常粗略，重要的是嘗試邁出第一步。雖然數據量較少，結果輸出的數據精確度也不高，但是一旦開始嘗試了，數據就會進一步積累，產生更高的價值，形成良性循環。所以，大家要重視速度，儘快著手去做。

  過往是由人來思考程序算法。只要準備數據，計算機就能推導出程序算法，這是以前從未有過的方法。

  而且，這是一個信息量越大，精確度越高的劃時代的方法。今後，是否能夠充分運用這種方法，就決定了能取得怎樣截然不同的結果。

  大家要切實理解機器學習是怎樣的一種方法，以及輸出、輸入的數據化的關鍵作用。

  小結

  √ 機器學習是由計算機來擬定程序算法，是從前沒有過的方法

  √ 程序算法是基於大量的輸入及輸出數據，由計算機所擬定

  √ 人的職責是，準備輸出和輸入的定義以及數據

  √ 輸出的定義和量化的方法最為重要

  √ 積存的數據會產生更高的價值，所以邁出第一步非常重要