科学家拥有会不断学习的机器人，就真的无敌了吗？

（图片来源：Pexels） 　　现今，机器能通过不断优化与分析资料持续学习进步，看似能够直接取代“人”在一切流程其中的所有功能，但传统人力是否真已逐渐失去其不可取代之处？本文作者孙民是Appier的首席人工智能科学家，同时也是清华大学电机工程学系副教授，在多年研究人工智能技术与产业落地执行后，对于自动化机器人的经验与观察有自己的一番解释。 　　作者Appier首席人工智能科学家 孙民博士 　　近年来，机器学习在优化资料收集和分析工具的技术不断进步，甚至在各个产业都能看到相关的应用。而现在，一股新的趋势又趁势兴起，那就是自动化机器学习（Auto Machine Learning），简称AutoML。 　　一名优秀的资料科学家需同时具备高度的专业知识与技能，是台湾大多数企业常年求之而不得的极度稀缺人才，而AutoML的出现能适时的降低企业对资料科学家的依赖。话虽如此，许多人对AutoML仍然存在一些误解，其中最大的误解就是认为AutoML的训练完全不需要资料科学家参与其中。 　　AutoML即是AI技术的落地实行 　　机器学习是一项非常强大的通用技术，能做到的相关应用领域十分广泛且功能数量惊人，但想了解AutoML的能耐到底在哪，首先就要先了解机器学习是如何运行的。 　　机器学习包含了以下几个步骤。首先第一步需要搜集相关资料数据并进行资料清理，才能厘清这些资料中能归纳出来的消息。下一步则是定义资料的特征描述，并把资料定义放入模型，接着就需要开始训练模型以达到优化精确度。由于整体训练学习流程极为复杂，需要大量的人力参与，为了让机器学习发挥最大效益，需要一个训练有素的资料科学家团队来协助创建、应用和优化模型，全程参与在整个作业流程中。 　　AutoML这项技术之所以备受各产业重视，是因为AutoML的最终目标，是让流程中的所有步骤都能自动化执行，提高效率的同时还能降低成本。若能顺利实现，AutoML有望在各产业中发挥不同用途，为社会的不同面向带来全面性变革。 　　同步改变资料科学家的角色 　　然而，如同许多新兴技术所面临的处境，实际运用的状况往往比想象中更为复杂。AutoML是否能发挥其最大功用，程度取决于好几个方面，包含：涉及的产业、资料的类型、模型的种类等等。在前面提到的资料收集和清理阶段其中，数字营销是可以从AutoML获益的领域之一，当顾客与公司的营销活动进行交互后，资料标签将自动生成，成熟的AutoML工具会进一步针对这些标签进行处理，确保它们没有噪声或误差。 　　其他产业则更适用于自动化特征工程。举例而言，训练自动驾驶车需要人们协助标注判断出路上行人和各项交通标志；训练医疗显像工具需要经验丰富的医师协助定位肿瘤。不过，自从神经网络能以原始显像图自动构建特征后，许多资料科学家的工作量已有所减轻。 　　即便如此，还是必须提醒不要孤注一掷地使用AutoML。毕竟，无论想达到的目的为何，AutoML仍无法完全取代人类知识。相反的，它其实是改变了我们原先利用该知识的焦点与方向。 　　以营销任务为例，只有自动化机器执行的效果远比人为作业流程更有效率。通常这些适合自动化的流程是有高度重复性，或是有高度复杂性却有充足的资料给予支持。借由自动化工具的协助，人们可以从重复性的任务中解脱，并将其知识应用到资料较少的领域。 　　因此目前的技术仍需依赖资料科学家的支持。有人将这种人类与机器携手合作的方式，称为“半自动化机器学习（Semi-AutoML）”。对照作业流程中的实际执行模式，这样的称谓可说是名副其实。 　　所有企业都该大量引进AutoML吗？ 　　企业只要能够了解AutoML的能力和运行方式，便能在应用过程中有所获益。 　　由于这项技术不需要人类专家时刻参与其中，所以能更有效率地进行作业，且将速度大幅提升。只要善加利用，机器的表现不仅能超越人类，更能将人为错误的风险降到最低，流程自动化之后，机器执行所能产生的效益将远超于人力。 　　不过，其中仍有其他需纳入考量却容易被忽略的因素，也就是“成本”。 　　神经网络结构搜索可说是AutoML领域中的“圣杯”，也就是编写出一套人工智能程序，以自动找出最能解决特定问题的神经网络结构。目前已有研究人员提出证据，认为确实有机会能使神经网络结构搜索完全自动化（且超越人类执行相同任务的表现）；然而，届时将需要庞大的运算能力才能达到目的，可能需要同时使用十几个CPU进行训练才足以应对。总而言之，整体投入的软硬件成本将十分可观。因此，任何公司若想寻求自动化机器学习的协助，都应先针对其可能的获益、财务以及时间成本进行权衡和评估，才能更明智地加以运用。 　　尽管AutoML能降低人为错误的风险，却无法将其根除。这项技术仅能优化人类设计的衡量标准，但是当衡量标准不正确时，所产出的模型自然也无法解决问题。这不仅会发生在AutoML上，人类也可能在采用标准机器学习时犯下相同的错误。不过，如果人类有参与开发过程，就有机会发现模型行为的错误并协助改正。因此，虽然完全由机器执行作业流程能获得极高的效益，但若未经考量便直接排除人为参与，可能会在无意中导致更多潜在错误发生。 　　企业如何付诸实践 　　要维持人类与机器的平衡并不简单。企业必须评估人类高度参与下的可能利弊，并决定哪种商业模式才适合自己。例如，让人员全程参与流程阶段的发展史，意味着模式将难以规模化，而若为了让整个流程自动化而逐一创建特定的模型，又会浪费太多时间。实际案例好比营销人员需要即时推出营销活动，因此往往无法等上太久，因为他们追求的是时效性，需要在最佳时刻吸引到顾客的关注。 　　如今，最佳的解决方案往往是借助在某些特定领域采用AutoML的资料科学平台（如同前面所提及的“半自动化机器学习（Semi-AutoML）”）。借由自动执行特定步骤，企业便能专心研究如何将运算量集中在提高效率上，而成果又不会因为精准度降低而大打折扣。以上建议不仅能协助营销人员了解AutoML的潜能，更能让人们了解AutoML能为企业成就带来的实质效益，否则，即使采用了这项技术，也只是徒有其表而已。 　　若能保持正确观念来运用AutoML，企业便能享受其带来的众多好处，尤其是对营销人员而言更是如此。唯有确实了解AutoML的运行方式、涉及范围，以及它能对企业提供的支持，才能充分发挥AutoML的最大潜能。