AI 副本挑戰中 | Andrew Ng’s AI For Everyone Chapter 1 – What is AI?

說來慚愧，在博班時明明有謝舒凱老師那麼強大的資源及課程，我卻沒有好好運用；對於 AI、Machine Learning、Deep Learning 等名詞有聽過但實際上真的一知半解。

而現在無論是公司或是個人生涯成功，AI 都已經是無法避免的一件事了，我開始想要跟上腳步但實際上有點慢了一步。
雖然相較於過去什麼都想學的那種無頭蒼蠅來得好，但要開始學之前也是基本功要紮穩；
至少…名詞要先理解吧？XD

後來看了大家推薦而選了 Coursera 這堂 Andrew Ng 的《AI For Everyone》，才剛上完第一章而進入第二章一點點，就覺得有很明確地知道它們之前的差異。

專有名詞解釋

AI （Artificial Intelligence）可分為：

ANI （Artificial Narrow Intelligence）：專精於特定領域的，如 AlphaGO 在圍棋領域的專精；不過這類因為是專業，也比較少擴及到其他的領域去。
Generative AI：近年來爆發式地成長，更通用於幫助不同領域的人，如目前大家熟知的 ChatGPT、Gemini
AGI （Artificial General Intelligence）：可以做到任何人類可以做到的事情。我們會以為我們已到這一步了，但 Andrew Ng 認為我們還離 AGI 非常地遠

Machine Learning 是 AI 的其中一環，簡而言之是將 Input 轉成 Output（A → B），非常適合 supervised learning （中文稱「監督學習」，也就是用標記過的內容來訓練數據）。

舉例來說，拿一堆狗狗圖來標記 Yes / No 來指涉圖片有沒有狗狗，即可訓練出一個專門的模型來辨識圖片有沒有狗狗；
抑或是根據房子的大小、浴室、房間數來推估適合出租的租金等。

Deep Learning，常同時指涉 Neural Network，又是 Machine Learning 的其中一環，特別適合處理非結構化的數據（unstructured data，例如圖象、音檔、文字等，是相較於 structured data 如表單而言）。

Deep Learning 一樣是 Intput → Output，但中間會經過非常多不同的 Neurons 來最終得到期待的 Output。這有點抽象，但想像房子的價格，可能是由好幾個不同的成因而互相兩兩影響而成，最後可以做出可預測的 Output。

Data Science 在 Andrew Ng 的說明中，它會獨立於 AI 但又和 AI 共融（兩者有交集），它是運用數據來計算而找出 insights 的方式，但不是由 Input → Output。

舉例來說，因為有了房子大小、浴室、房間數及其租金，就可以發現可能在增加房間的數量可以有更好的租金；
抑或是廣告商發現在旅遊的廣告績效較佳，就投更多旅遊的廣告。

用打得看起來很抽象，但我覺得 Andrew Ng 在課程內容真的講得很清楚；如果你有興趣想要多瞭解，這真的是一堂不可多得的課程。

是全英文，不過有中字（但我沒有看中字就是，不太確定準不準確）；深入淺出，相信你們也會喜歡 🙂

但千萬別像我一樣，因為太晚才看（我課程看到 22:00）結果半夜醒來太嗨睡不著 XD

如果您喜歡本篇文章，歡迎在右下角點選咖啡，贊助我們並給樂透一個罐罐 🐾

在第二章開始深入談到了 AI 的相關計畫可以怎麼進行，並用許多實際的案例來解釋。

舉例來說，Machine Learning 需要先收集資料、訓練模型、再實際測試；Data Scientist 先收集資料、分析內容，並將 hypothesis 變成行動來執行。
「Data」的重要性不言而喻。

在開始專案時，會建議由 AI Expert 和 Domain Expert 一起合作，因為：

但在過程中要去思考的是：AI 可以怎麼 automate tasks 而非 automate jobs。

這在目前為公司建 Research AI 的專案很有感，AI 沒有辦法去取代 Researcher 的工作，但是它能夠幫助 Researcher 每日的 tasks 更快地完成。

所以如果發現 AI 沒有辦法完成 Researcher 的工作而覺得它很笨，那代表我們對它有錯誤的期待；因為我們應該要期待 task-based automation 而非 job-based automation。

如果您喜歡本篇文章，歡迎在右下角點選咖啡，贊助我們並給樂透一個罐罐 🐾