蔡炎龍:人工智慧最難是問出好問題,專家的決策能力更重要


蔡炎龍:人工智慧最難是問出好問題,專家的決策能力更重要

  • 楊育青

    現任人工智慧科技基金會內容行銷經理,關注科技發展對人類的影響,也關心台灣產業面對數位變革時,所面臨的挑戰與克服要點。喜歡文學,欣賞跨域碰撞的火花。

    瀏覽 楊育青 的所有文章

楊育青
2021/06/18 | 閱讀時間‧約 7 分鐘

「人類一直希望可以做出哆啦A夢,一個可以像人一樣思考的機器人。」但是,目前的技術距離這個目標還很遠,而人類要做的事情還有很多,包括制定出好的決策。政治大學應用數學系教授蔡炎龍說,想要運用人工智慧幫忙解決問題,最重要的就是問出好問題,就像是函數一樣,輸入與輸出值的設計才是關鍵。但要如何問出好問題?考驗的不僅是團隊成員的專業能力,還有溝通及收斂問題的能力。

戴著眼鏡,有著咪咪笑眼的蔡炎龍教授,在他的課程簡報上,總可以看到他繪製的可愛人物圖卡,因而被學生戲稱是「被教授耽誤的漫畫家」。蔡炎龍說,會想要在簡報上放上這些可愛幽默的圖案,其實是想利用較為輕鬆好理解的方式,降低學習人工智慧的門檻。

蔡炎龍老師透過可愛幽默的圖案與簡報,讓人工智慧的專業用語看起來較為親民。(圖片來源:蔡炎龍老師提供)

為了讓更多學生可以了解人工智慧的應用與概念,蔡炎龍也與傳播學院副教授陳宜秀合開一門「設計思考與人工智慧」的課程。這堂課並不限制只有資工背景的學生選修,反而鼓勵各個科系的學生參與,透過這堂課學習如何利用人工智慧解決實際問題。蔡炎龍提到,會想開設這一門課的原因是,當前有許多科系或產業都會導入AI應用,加上許多非程式背景學生也會參加校外的AI競賽,雖然藉由優異的簡報能力,比賽成績都不錯,但對人工智慧的認識並不全面。因此,他才會想開設這樣一堂結合設計思考與人工智慧的課程,讓學生從問題意識出發,在過程中逐步了解程式語言的邏輯,以及人工智慧的可行性與侷限,慢慢學會問對問題及找到最適當的解法。

蔡炎龍說,政大的學生畢業之後,即使不是工程師,也可能會是專案經理或是中高階主管,若能在這堂課了解程式的邏輯,對於日後與工程師的溝通勢必有很大的幫助。

老闆才是問問題的關鍵人物 必須建立共通的溝通語言

「人工智慧就像函數,」蔡炎龍解釋,函數是2個集合X、Y間的對應關係,也就是讓所有的問題(X)能對應到唯一的答案(Y)。因此,我們想利用AI解決問題時,必須想清楚要輸入電腦的資料,以及輸出的答案是什麼。他說,最重要的就是問問題,也就是必須化成函數形式的提問,而不是「如何用AI提升業績?」

這種發散式的問題,工程師無法從提問中判斷要建立什麼模型。我們可以透過不同的問法,或是不同方式切入提問,但要「問得好」就會需要具備專業領域知識,而最適合提問的人就是老闆,前提是老闆得先擁有人工智慧的基礎知識。

提問的過程中,可能還會遇到一些考驗,例如:不能問的問題或是資料無法搜集,導致無法直接提問,需要旁敲側擊的狀況。蔡炎龍笑說,所以老闆雖然不用會寫程式,但需要理解AI的概念,才能理解工程師是怎麼解決問題的。

蔡炎龍補充,問題的發想與收斂都需要團隊成員的集思廣益,透過不同的專業見解,以及實務上的經驗討論適合的問題。他建議,團隊可以試著從多種角度提出幾個不同的問題,避免最後才發現問錯問題或其他原因導致專案無法進行的狀況發生。

準確率越高越好嗎?專業專家的決策更重要

當團隊成員都具有AI知識的時候,不僅可以透過討論聚焦問題,也可以一起檢視所問的問題,在目前階段是否太難或太有挑戰性,避免一開始就選擇了大問題,最後卻做不出來而產生挫折。他建議,如果問題太大,在不偏離最終目標的方向下,可以先設立幾個小問題,再一步步的解決這些小問題。

至於如何判斷問題是大或小,簡單或困難?蔡炎龍認為,最重要的準則是訓練資料是否收集得夠多的訓練資料;再來則是人類專家需要判斷,這個問題是不是機器可以學得會。例如,可不可以請AI預測某一個日期的收盤價?雖然這是正確的函數形式,但對電腦來說,日期所能提供的資訊量太少,因此得到的答案也會不太準。

大部分的人都認為,人工智慧預測的準確率應該要越高越好。但是,蔡炎龍說:「不一定。」準確率的好壞判定,其實是個專業的問題,應該要從準確率是否提供了實務上有用的幫助?且應該交由該領域的專業人士來判定。他舉例,假設利用AI進行信用卡交易盜刷監測,準確率高雖然可以抓到更多的盜刷事件,但也有可能將許其他正常消費誤判為盜刷並示警,影響顧客消費的心情。因此,到底是即使擾民也不願錯放盜刷,或是降低準確率也降低擾民的可能?該如何調整模型的表現,就考驗著主事者的決策能力。

為幫助人類決策而生的人工智慧

雖然,人類始終以做出像人類的AI作為終極目標,但就目前的技術發展來看,近幾年要達到這個目標尚不太可能。但在這個目標下,有幾個技術趨勢值得注意,第一個是強化學習,蔡炎龍說,因為我們很難把所有的規則告訴電腦,透過強化學習,某個程度就是讓電腦可以自己學習。

人類的智慧與現在的人工智慧最大的差別是什麼?我們可以看到,以圖形辨識為例,人類可以僅在看過幾張圖片之後就能辨認物品,但人工智慧卻需要數千張的圖片才能訓練出辨識能力。因此,目前也有一些研究關注於如何運用少量資料進行訓練,而這也是未來產業十分需要的應用,畢竟不是每個產業都能擁有大量的數據。

隨著人工智慧技術的進步,小從個人理財的金融選股,大至工廠營運的流程自動化,機器能幫人類處理的事情也越來越多,許多人以為有了AI後,一切事物都能自動完成。不過,蔡炎龍提醒:「並非如此,人要做的事情還很多,只不過有了更多可以幫助決策的工具,管理者的決策能力還是很重要。」

  • 楊育青

    現任人工智慧科技基金會內容行銷經理,關注科技發展對人類的影響,也關心台灣產業面對數位變革時,所面臨的挑戰與克服要點。喜歡文學,欣賞跨域碰撞的火花。