疫情促使MIT加速機器學習應用研發 - 電子工程專輯

titah.prelol.com

作者 : Barbara Jorgensen，EPSNews主編

透過利用商務流程自動產生的數據，機器學習能被運用在各種商業領域，從零售商店到5G網路；機器學習可利用數據得出規律，或者預測未來的行動。

聊天機器人在新冠病毒肺炎(Covid-19)疫情流行期間拯救了汽車保險業──在機器學習(ML)助力下，數位保險平台會研究申請者的駕駛紀錄，分析數據，將風險矩陣(risk metrics)運用於承保範圍與定價、簽發保單，不需要面對面的互動。

美國麻省理工學院(MIT)的電腦科學暨人工智慧實驗室(Computer Science Artificial Intelligence Lab，CSAIL)研究聯盟主任Daniela Rus表示，Covid-19加速了能解決當前問題的機器學習應用程式開發；CSAIL在不久前透過一場網路研討會啟動了「MachineLearningApplications@CSAIL」計畫，旨在運用最新的ML技術開發應用程式、研究限制ML的挑戰，並針對數位勞動力提供專業的開發。

支持CSAIL研究的企業能立即從應用程式開發成果中獲益；例如聊天機器人運用ML推薦產品、最佳化產品定價並在系統中建立分類。更廣泛地說，企業能運用ML實現能源節省以及預測性分析。Rus表示，疫情影響使得面對面商務行為受限，對零售業者以及各企業來說都是一大頭痛問題，機器學習與人工智慧(ML)具備讓商業流程轉型的潛力。

CSAIL秉持著「沒有太瘋狂的點子」(no idea is too crazy)的理念，已經催生了在運算技術上的大量突破。MIT的AI研發可追溯到1959年，其AI實驗室開創了影像引導手術(image-guided surgery)、以語言為基礎的網頁訪問、微型顯示器與機器人等技術的先河。

CSAIL是由MIT的AI實驗室與創立於1963年的MIT電腦科學實驗室(LCS)所合併，LCS以相容分時系統(Compatible Time-Sharing System，CTSS)與多工資訊暨運算系統(Multics)的開發而聞名。目前CSAIL旗下有超過60個研究小組、進行中的研究專案有數百個。

透過利用商務流程自動產生的數據，機器學習能被運用在各種商業領域，從零售商店到5G網路；機器學習可利用數據得出規律，或者預測未來的行動。在CSAIL舉辦的ML線上研討會中，專家們表示，交易數位化的能力對健康的經濟至關重要。

Rus解釋，孤立的數據通常對商業發展沒有幫助；「數據的好壞取決於其實際使用情況──所以需要測試與驗證資料，並且認真思考測試系統要遵循什麼樣的流程，思考應用案例、能從模擬中獲得什麼，以及如何能將那些數據應用於現實生活。ML也會犯錯，所以會需要機器與人類共同合作；最終人類還是要為決策負起責任。」

「讓企業高層們徹夜難眠的頭痛問題，是如何利用ML或AI來幫助業務成長，無論他們所屬的產業為何；」Rus補充指出：「利用AI與ML的商機是龐大的，現在正是把握它們的時機。」CSAIL與支持該實驗室研究的企業之目標，是盡快將技術商業化；Arrow Electronic、Cisco、Retail Business Services (荷蘭零售業集團Ahold Delhaize旗下的公司)等都是CSAIL的ML計畫創始成員，預想中的應用程式包括品質管制、供應鏈管理、連結性與預測等等。

Rus表示，支持CSAIL之ML研究計畫的企業，可以：

和研究人員一同參與未來的聚焦創新會議；
探索機器學習技術的發展與途徑；
為解決當前限制ML能力的挑戰提供建議與資訊；
能取得專為提升員工在商業中應用機器學習之準備度而設計的各種專業發展課程；
能聯繫專長開發、佈署最新技術的新創公司，迅速展開機器學習創新。

根據市場研究機構IDC的預測，全球AI支出到2023年將達到979億美元，是2019年時375億美元的2.5倍；期間複合年平均成長率(CAGR)為28.4%。而在疫情流行期間，醫療照護成為優先應用領域，Rus表示，機器學習能將醫學研究從幾年縮短至幾個月；「實際上我們正在討論在幾個月、而非幾年內研發疫苗，這是因為機器學習可以加速開發。」

Rus指出，人類與AI間的合作提升了診斷的準確度；例如一個放射學研究要求醫師與機器從掃描中判別癌變與非癌變組織，人類醫師的錯誤率為3.5%，機器的錯誤率為7.5%，但兩者協作能將錯誤率降至0.5%。

「想像某個時間點，在偏遠地區或是過勞的醫師們，不必再煩惱最新的診療建議或研究，他們可以提供患者的數據，讓ML或AL客製化對人體產生更少副作用的藥物；」Rus表示：「想像一個ML與AI能協助認知與實體任務的世界，就像是智慧型手機為運算以及數字處理提供幫助那樣。」

Rus指出，讓ML被廣泛採用還需克服的障礙，包括人機介面；「聊天機器人簡化了流程，但是對於不使用PC的人來說，其介面還是很笨拙。」語言翻譯也仍是個問題，她表示，ML能以匹配圖形的方式將某個語言翻譯成另一個語言，但是無法衡量上下文或意圖。不過在此同時，聊天機器人能保存資料，也能比人類更快速回答問題。

「機器學習是與過去的資料相關，AI則是關於決策；」Rus總結表示：「你可以結合機器人技術，這是付諸行動的運算。這些能為企業與個人解決問題的方法帶來很大的不同。」

編譯：Judith Cheng

(參考原文：Pandemic Accelerates MIT Machine Learning Initiative，By Barbara Jorgensen）

掃描或點擊QR Code立即加入 “EETimes技術論壇” Line 群組 !