搶先掌握AI新知

洞悉金融科技 掌握機器學習應用是關鍵

機器學習是人工智慧的重要驅動力，從FinTech到AI，智慧升級的關鍵拼圖到底是什麼？答案盡在《機器學習─探索人工智慧關鍵》

人工智慧經歷過三個階段的發展，1956至1974年是探索階段，各種人工智慧的基礎理論皆奠基於此一階段，如機器學習、神經網路均在這段時期開始萌芽，但是當時電腦的運算能力不足以承擔機器學習所需的大量運算，因此人工智慧逐漸沉寂，直到1980年代初期。

人工智慧發展三階段

1980年代專家系統（expert system）開始引領風潮，帶領了第二次人工智慧的發展期，專家系統曾經是嘗試以電腦模擬人類的思考模式，藉由程式模擬人類的思維邏輯。只是人類思考邏輯牽涉到許多因素，極不容易完整歸納所有因素以用於程式控制，專家系統在特定領域能夠有所效用，但是通用的人工智慧仍有距離。1990年代初期人工智慧又再度離開一般大眾的視線。

人工智慧再度回到大眾的視野是1997年IBM公司超級電腦「深藍」擊敗世界第一的西洋棋棋手，2007年IBM華生電腦參加美國益智節目「危險境地（Jeopardy!）」，打敗人類參賽者，2017年Google公司的AlphaGo擊敗世界圍棋冠軍。人們再度感覺到人工智慧不再只是科幻電影的情節。

此次，人工智慧的熱潮與過往不同在於三個重要因素。首先，計算機的運算能力已大幅提升，其次，各種設備與網路連結後產生了大量資料，以及新的演算方法，而這項與過去不同的演算法，即是以機器學習（Machine Learning）理論為基礎所發展出來的新應用。

某顧問公司在其金融科技調查報告內，提出人工智慧（Artificial Intelligence, AI），區塊鏈（BlockChain）以及機器人流程自動化（Robotic Process Automation, RPA），將會對金融業產生深遠的變化。其中人工智慧及機器人流程自動化，在某個層面都需要某種「智慧」來完成特定的工作。

深入探索機器學習

金融業面對金融科技的衝擊，在於如何運用內部及外部資料，深入瞭解客戶行為，提供客戶最適合的服務，便成為致勝的關鍵。而運用機器學習的人工智慧成為金融業創造競爭優勢的利器之一。

近期出版的《機器學習─探索人工智慧關鍵》，在不需鑽研複雜的學習演算法的前提之下，引導讀者瞭解機器學習的基本知識概念。全書共分為七章。

第一章： 為什麼我們對機器學習感興趣

說明電腦科技演進的歷程，從個人電腦與網際網路普及讓各種設備可以連結，行動設備，以及社群媒體的興起，產生了作者所描述的「資料大地震（Dataquake）」，大量的資料成為機器學習的基礎之一。本章同時也對學習行為，以及如何以電腦模擬學習行為的構想進行說明。

第二章：機器學習、統計、資料分析

以如何為二手車進行估價來說明機器學習的基本原理，如何確認會影響價格的因素，進而討論這些因素可能對於價格的影響。並以此應用為範例說明簡單的線性模型，以及「監督式學習」的基本概念。作者同時說明在1980年代盛極一時的專家系統所面臨的限制，導致無法普及的原因。

第三章：圖形模式辨識

以辨識手寫及印刷的字母符號（Character）原理，來說明如何運用模型以參數進行辨識，藉由分析每一個字母符號基本特性，如每一筆畫的角度及方向，比對所要判斷物件的特性來進行辨識。作者更進一步說明藉由相對位置，如臉部各器官和語音中前後文字的順序，進行臉部辨識及語音辨識，以及能夠理解文句的自然語言處理。最後則說明決策樹原理，以及如何進行喜好程度的排名（Ranking）。

第四章：神經網路與深度學習

介紹仿效人類大腦運作原理的神經網路（Neural Network）以及運用的模型。並介紹深度學習運作原理。

第五章：學習分群與建議

介紹如何運用模型進行「非監督式學習」，從大量資料中獲取原本未知的資料內涵。說明分群法的應用，以及如何建構推薦系統找出資料之間的隱藏關係。

第六章：學習採取行動

以下棋及吃角子老虎機為例，說明如何以時序差異學習來具備執行連續性動作的活動，如下棋，每一個棋步都與上一個棋步相關，依據上一個棋步來找出最好的下一個棋步。

第七章：我們接下來該怎麼做

隨著運算設備的效能不斷增強，智慧設備普及所產生的大量資料都成為機器學習最重要的基礎。從探討資料隱私及資料安全，再到最後討論機器學習、人工智慧的未來。

遠瞻人工智慧應用

書中介紹許多機器學習的原理，部分已被金融業所採用，第三章所提及的圖形模式辨識，金融機構已利用OCR光學辨識技術來進行固定格式表格中文字的辨識，如信用卡申請表格中客戶手寫的姓名、住址、出生年月日等基本資料，只是辨識度仍無法完全正確，因此仍須人工進行覆核。

另一項應用則是智能客服，語音智能客服除了應用語音辨識技術，將客戶所說的語音轉換成文字外，和文字智能客服（以文字輸入為主）一樣都需要應用「自然語言處理（Natural Language Processing, NLP）」技術來理解客戶所提出的問題，進而回覆客戶正確的答案。但是客戶詢問同一個問題的語句並不盡相同，因此仍需要持續的調整讓系統「學習」，才能更精確地了解客戶的問題。

決策樹已是目前金融機構常用於授信風險評估的技術，藉由將客戶的資料進行多層次的分析及歸類後，最終可以得到最佳的決策結果如貸款額度或是風險等級。分群法常運用於客戶區隔（customer segmentation），將客戶依據基本資料特性如年齡、收入、區域、持有銀行的產品數量等來進行分群，銀行可針對不同的客群推出特別規劃的金融商品。同樣的技術可以藉由更多的大量數據來進行「非監督式學習」，以尋找資料中隱藏的參數，這些過去未能發現的參數將可

進一步強化決策樹的準度，以及客戶區隔的精細度。

隨著深度學習、卷積式神經網路、平行處理技術，甚至是量子計算持續的發展，可以預期人工智慧將持續演進。但，在可見的未來，人工智慧所能夠處理的事物將侷限於特定功能及用途，也就是所謂的「弱AI」。具備與人類同等智慧的通用AI（強AI）仍需要一段時間的發展。即便如此，特定用途的人工智慧就足以協助人類能夠更有效率地完成特定的工作。

透過閱讀《機器學習── 探索人工智慧關鍵』，將對於人工智慧的演進有初步的了解，讓我們一起持續關注人工智慧的發展，在工作及生活中或許也可以適時地運用人工智慧來獲得更好的效率及品質。（本文作者為台新金控副總經理，以及《機器學習─探索人工智慧關鍵》一書編審作者）