人工智能技术的应用分析

本文著重於说明运用人工神经网路进行深度学习(Deep Learning)的人工智能(Artificial Intelligence, AI)技术，包含前馈式类神经网路(FNN)、递归神经网路(RNN)与卷积神经网路(Convolutional Neural Networks, CNN)。目前这类技术最常被应用於分类(classification)、推估与分群(clustering)，反应出这类型的解决方案是市场上主要的价值。McKinsey估计深度学习技术约占分析技术每年潜力价值的40%，每年约可创造3.5兆至5.8兆价值，等同於2016年各產业收益的1至9%。以下将介绍应用於深度学习的神经网路技术、应用於解决问题的型态，以及AI的应用价值。

一、 深度学习的神经网路技术
神经网路是机器学习的其中一个分支，基本上AI系统是模拟大脑内神经元连结与互动的方式，虽然这类运算模式自1940年代就有，但近年来因為电脑运算能力与资料量大幅增加，使其能成功分析图片、影像与语音资料。AI从业人员称这类技术為深度学习，主要是因电脑能模拟神经网路裡多层神经间的互动，过去仅能连结3-5层的神经元，深度学习网路则能达7-10层以上，连结上百万个神经元。McKinsey报告中提及的神经网路主要為三种。
(一) 前馈式类神经网路(Feed Forward neural Networks, FNN)：是常见的人工神经网路，属於单向的架构，仅由输入层传递资讯至隐藏层(hidden layers)，再单向传输资料至下一產出层，并无迴路网络。
(二) 递归神经网路(Recurrent Neural Networks, RNN)：包含迴路的人工神经网路连结，非常适合序列输入，能够在广泛应用中提供相当高的效率，包含手写、文字输入到语音辨识。据牛津大学的研究显示，以RNN為基础的系统，在判读唇语的精準度可达95%，远高於人类的52%。
(三) 卷积神经网路(Convolutional Neural Networks, CNN)：能连结不同层别(layer)的人工神经网路，并受到大脑处理影像的视觉皮质(visual cortex)组织啟发，相当适合视觉方面的任务。
二、 应用於解决问题的分析类型
(一) 分类(Classification)：如CNN与逻辑斯迴归(logistic regression)。基於一套训练资料，将新输入资料予以归类，可用於辨识是否含有特定某类型物品的影像。
(二) 持续性估计(Continuous estimation)：如FNN与线性迴归。基於一套训练资料推估后续一连串的数值，通常应用於有时间序列资料的预测，例如：利用包含过去销售与客户心理等资料推估產品需求与未来销售。
(三) 分群(Clustering)：如K-means与近邻传播(Affinity Propagation)。需要系统来為相似或具共通性的个案建立一套分类规则，例如：利用包含人口统计与购买行為等个别顾客资料，建立一套顾客分类。
(四) 其他最佳化(All other optimization)：如基因演算法(Genetic algorithms)。需要能產生一套资料以最适化特定目标的功能，例如：建立结合最快抵达与最少油耗的汽车行驶路径规划。
(五) 异常侦测(Anomaly detection)：如基因演算法(Genetic algorithms)、k-近邻演算法(k-nearest neighbors)与神经网路。提供一套训练资料，并决定特定资料是否為异常，例如：可利用一套歷史机器运转表现与伴随著的震动资料，并利用新震动判读机器运作是否正常。
(六) 排序(Ranking)：如单类别支援向量机(One-class support vector machines)与神经网路。排序演算法通常用於资讯检索(information retrieval)，这类要求的结果需要以某些标準排序，例如：利用演算法依据相关性分类，提供购买商品建议。
(七) 建议(Recommendations)：如协同过滤法(collaborative filtering)。基於一套训练资料提供建议，常见案例為基於客户过去的消费型态或相似顾客的购买行為，提供顾客下一採购项目的建议。
(八) 资料產生(Data generation)：如生成对抗网路(Generative Adversarial Network, GAN)与隐马可夫模型(Hidden Markov Model, HMM)。需要基於训练资料来產生合适的新颖资料，例如：以特定风格训练音乐作曲系统，可使系统產生特定风格的新作品。

三、 AI的潜在发展价值
AI的行销与销售应用可用於各种不同產业，包含顾客產品包装、银行、零售、电信、高科技、旅游、保险、媒体与娱乐產业等。AI可透过分析使用者资料，理解消费者偏好以提供个人產品建议是相当强大的工具。消费者產业，如零售业与高科技產业将能大幅受益於AI的应用，因為预期商业与顾客间数位互动将更為频繁，将產生更多的资料让AI加以利用。电子商务平台将大為受益，因平台能收集客户相关资料，如点击资料或瀏览网页时间，然后提供顾客客製化动态且即时的促销、价格与商品。实体零售商亦可透过AI改善商店的產品组合与库存管理，以及最佳化供应链。此外，可利用物联网產生的资料与AI技术，提高供应链效率与创新应用。
因為AI在整个经济体的适用性差异，使得潜在价值在各部门间略有不同，并因各单位间驱动价值的重要性而有所差异，同时受到可使用的资料、可运用技术的适合度，以及各技术演算法解决方案适合度的影响。在需要面对面接触客户的產业，如零售业，行销与销售是最重要的领域，但是像先进製造这类型的產业，营运流畅度将影响整体表现，最具发展潜力领域则為供应链、物流与製造。企业应检视混合功能以寻找最合适的AI应用，并决定最合适AI建置的方式。

来源：NOTES FROM THE AI FRONTIER INSIGHTS FROM HUNDREDS OF USE CASES