機器學習已悄悄潛入生活,你可能還沒發現

作者 | 發布日期 2017 年 05 月 04 日 8:26 | 分類 AI 人工智慧 , 手機 , 社群 follow us in feedly

很多人都不確定到底什麼才是機器學習。但是事實上機器學習已經成了我們日常生活的一部分。



機器學習是人工智慧的一種,透過機器學習,電腦可以從例子中學習而不需要一步步執行指令。

英國皇家學會(The Royal Society)認為機器學習對人們生活的影響會越來越大,並號召大家在這方面做更多研究以確保英國充分抓住並利用這個機會。

機器學習已是很多系統的「動力系統」,從平凡到可以改變生活所有。以下是一些例子:

1. 手機

運用語音指令命令手機完成搜尋和撥打電話等功能,就是依賴機器學習相關的技術。

虛擬人工助理,如 Siri、Alexa、Cortana 或 Google Assistant 能執行指令也是因為有語音辨識技術,處理人類語言,符合相關指令並以越來越自然的方式反應。

虛擬語音助理透過學習大量的對話及其他各種各樣的方式學習人類語言。它們也許會問詢具體資訊,如怎麼稱呼你,或一家人中每個人的聲音分別是如何。

所有用戶產生的大量對話資料也被用做學習例子進而幫助虛擬人工助理辨識多音詞,以及學習如何自然討論。

2. 購物

很多人都非常熟悉購物建議,回想一下線上超市提醒你購買東西的場域,或 Amazon 向你建議你可能喜歡的書。

機器學習就是透過所謂的建議系統來進行。透過分析消費者的購物歷史資料以及消費者表現的消費喜好,建議系統可在購物歷史中總結出規律,預測你可能喜歡的產品。

3. 電視

相似的建議系統同樣也用於電影或電視等串流媒體,比如 Netflix 就有這樣的建議系統。

建議系統利用機器學習分析觀看習慣,根據每個人看過什麼、喜歡看什麼分析出偏好形態。了解觀眾喜歡的電影類別、點播歷史和高分評價以後,建議系統就可分析出看電影的個人偏好。

在 Spotify 等音樂類串流媒體同樣有建議系統,Facebook 也透過這樣的機制為用戶推送廣告。

4. 電子郵件

機器學習同樣可用於區分不同種類的物品或專案。這點用來從一堆電子郵件中挑出你想看的郵件。

垃圾郵件探測系統利用一組示範郵件辨識出垃圾郵件──透過偵測特定的詞語、發件人以及其他特徵判定是否為垃圾郵件。一旦設定好,系統就可以直接將相關郵件放進特定檔案夾中。隨著用戶標注郵件或在檔案夾間移動郵件,該系統持續學習。

5. 社群網路

你想過 Facebook 是怎麼知道你的照片裡有誰並自動標註的嗎?

Facebook 及其他社群媒體採用的自動標註影像辨識系統也是基於機器學習。當用戶上傳照片並標注朋友和家人後,影像辨識系統就會辨識重複出現的元素並將其分類或指向特定人物。

6. 銀行

透過大量資料分析和型態認證,人工分析員無法辨識的行為都可以解析。這種能力最常見應用就是打擊金融卡和信用卡詐欺行為。

機器學習系統可訓練辨識典型的消費型態及交易特徵(如地點、數目或時間),或多或少降低詐欺可能性。當一單交易看起來不規則時就會觸發警報,隨後用戶就會收到一條相關資訊。

7. 醫院

醫生開始考慮使用機器學習來做更好的診斷,比如發現癌症和眼疾。透過學習醫生記號過的圖片,電腦分析認證新的病人視網膜圖、皮膚斑點或顯微鏡下的細胞圖。

透過這種方式,機器可發現疾病存在的視覺線索。此類影像辨識系統在醫療診斷領域越來越重要。

8. 科學

機器學習同樣也為科學家探索新發現提供了助力。特別是在粒子物理領域,機器學習幫助電腦從 Cern 的大型強子碰撞型加速器收集到的海量資料集中發現型態。

機器學習在希格斯玻色子(Higgs Boson)的發現中有重要作用,現在機器學習應用於任何人都沒有想過的「新物理」探索。同時,還被用於發現新藥,比如透過搜尋新型小分子或抗體來對抗疾病。

未來將會怎麼樣?

未來的發展將聚焦於製造出能夠出色完成特定工作的系統,並使這些系統成為人類的助手。

在學校,機器學習可以追蹤學生的表現,制定個人學習計劃。可以幫助我們有效利用資源,降低能耗;透過幫助人們發現更多有意義的人際接觸,加強對老人的關懷。

在交通領域,機器學習推動無人駕駛。

各行各業都可利用演算法提高效率。金融服務的自動化程度更高,律師事務所利用機器學習完成基本的調查。常規工作更快完成,這將挑戰依賴於按工作時間收費的商業型態。

在未來十年,機器學習科技將越來越多滲透到我們的生活中,改變我們工作和生活的方式。

(本文由 36Kr 授權轉載;首圖來源:shutterstock)