人工智慧是第四次的工業革命
Mobile computing, inexpensive sensors collecting terabytes of data, and the rise of machine learning that can use that data will fundamentally change the way the global economy is organized.
Fortune, “CEOs: The Revolution is Coming,” March 2016
移動計算、廉價感測器收集的大量數據以及機器學習的興起將從根本上改變全球經濟的組織方式。
移動計算指的是人們使用移動設備（如智能手機、平板電腦）進行計算和資訊處理的能力。隨著移動設備的普及和技術的發展，人們能夠隨時隨地存取資訊和進行各種計算任務，不再受限於固定的位置或時間。這使得商業活動和經濟交易可以更靈活地進行，並且在不同的地點和時間進行交流和合作。
同時，廉價的感測器技術讓我們能夠收集大量的數據。感測器可以應用於各種物理環境，例如工業設備、城市基礎設施、交通系統、健康監測等。這些感測器可以收集和傳輸各種類型的數據，例如溫度、壓力、位置、運動、光線等。由於感測器成本的下降，人們可以以更低的成本部署大量的感測器網絡，從而收集和分析大量的數據。這些數據提供了對於各種系統和環境的詳細洞察，並且為企業和政府制定更有效的決策提供了依據。
同時，機器學習的快速發展使得我們能夠有效地處理和分析這些大量的數據。機器學習是一種人工智慧的分支，它利用數據和算法來使計算機自動學習並提高性能。通過機器學習，我們能夠從數據中發現模式、趨勢和關聯性，並且能夠預測和做出更準確的決策。這對於企業的營銷、客戶服務、生產優化、預測分析等各個領域都具有重要意義。
AI會造成那些變革呢?
在軟體開發中的應用：AI被應用於軟體開發的各個階段和領域。例如，AI可以用於自動化測試和驗證、代碼生成和自動化編程、缺陷檢測和修復、軟體需求分析和優化等。AI的應用可以提高開發效率、減少錯誤和提供更好的軟體品質。
軟體開發人員可以利用現有的AI工具和平台來開發具有智能功能的軟體應用。AI工具和框架的開放性和可用性不斷提高，使得開發人員能夠更容易地整合AI技術到他們的軟體項目中。
軟體定義硬體（Software-Defined Hardware）指的就是利用軟體控制和編程來定義和配置硬體資源。AI的發展促使軟體定義硬體的興起，因為AI需要大量的計算資源和專用硬體來實現高效的運算。軟體定義硬體技術可以通過軟體來定義和配置硬體資源，以適應不同的AI工作負載和需求。
對於不同的應用場景，可以選擇不同的AI算法和技術。例如，時間序列分析可以使用統計方法、機器學習模型或深度學習模型等不同的技術來處理。對於每個應用領域，了解和理解相關的AI技術，並選擇合適的方法和工具是非常重要的。
AI取代的是職能不是產業
晶片技術的進步和創新為人工智慧的發展提供了強大的計算能力和效能提升。
AI將重新定義產業
- 重新定義員工的技能: 核心技能的重新訓練提升
- 重新定義部門的功能: 把智能化當成再進化的機會
- 重新定義組織的效能: 創造進入的門檻與護城河
Al核心技術
機器學習
- 監督式學習
- 非監督式學習
- 模型參數優化
深度學習
- 卷積神經網路(CNN)
- 深度神經網路(DNN)
- 循環神經網路(RNN)
- 神經網路與網路參數優化
進階學習技術
- 強化學習（Reinforcement Learning）是一種機器學習的方法，旨在使智能體（agent）通過與環境的交互行為學習最佳的行動策略，以最大化預期的回報（reward）。
- 遷移式學習（Transfer Learning）旨在將在一個任務或領域上學習到的知識和經驗應用於另一個相關或相似的任務或領域中。它假設前一個任務的學習可以為後續的學習提供有用的信息和特徵。
- 對抗式學習
- 聯邦式學習（Federated Learning）通常涉及在多個參與方的本地數據上進行分散訓練，每個參與方使用本地數據訓練局部模型，然後將模型的更新參數聚合到全局模型中。每個參與方可以具有不同的數據分布和特徵，而原始數據通常不共享。
工具框架
- Al應用開發工具，如: C、Python、JavaScript
- Al模型開發框架，如: TensorFlow、PyTorch、Keras(可以運行在TensorFlow、PyTorch等後端上)、Scikit-learn
- Al部署工具與平台: 與傳統程式開發的CI/CD不同之處在於這邊是對AI模型進行版本管理，以便追蹤和管理不同版本的模型，因為模型的更新和改進是一個持續的過程。相比之下，傳統程式開發中的版本管理更偏向於代碼和軟體功能的版本控制。
- Al系統整合與開發: 將人工智能（AI）技術和解決方案集成到現有的系統或應用程序中，以實現更智能化、自動化或增強的功能
資料治理
- 資料管理架構
- 特徵工程
- 資料品質
AI應用技術
電腦視覺
- 圖像與人臉識別
- 物件偵測(物體偵測技術介紹)
- 影像切割(使用TF的範例)
- 動態偵測與追蹤(Moving Object Detection using Frame Differencing with OpenCV)
自然語言處理
- 情緒分析
- 語言翻譯
- 文本分析與生成
- 社群媒體與社交網路分析
- 聊天機器人
數據分析與預測
- 資料建模與調校
- 數據分析與預測
- 時間序列分析與預測
語音處理
- 語音辨識
- 語音合成
- 情感分析
- 語音索引
推薦系統
- 關聯式推薦（Association-based Recommendation）：基於物品之間的關聯性進行推薦。它假設物品之間的關聯性可以用共現或相似性來衡量。例如，如果用戶購買了商品A，則可以通過關聯分析推薦與商品A相關的商品B。
- 內容推薦（Content-based Recommendation）：根據用戶過去的行為和對物品的偏好，推薦與用戶喜好相似的物品。它使用物品的屬性和特徵來建模和描述物品，並基於這些特徵計算用戶的興趣相似度。常見的方法是使用機器學習算法，如TF-IDF（Term Frequency-Inverse Document Frequency）和餘弦相似度來計算相似度並進行推薦。例如，如果用戶喜歡觀看某部電影，則可以根據該電影的特徵和用戶的偏好，推薦與該電影相似的其他電影。
- 協同過濾推薦（Collaborative Filtering Recommendation）：根據用戶的歷史行為和與其他用戶的相似性來進行推薦。它假設具有相似行為模式的用戶會有相似的偏好，並根據這種相似性來推薦物品。協同過濾可以分為基於用戶（User-based）和基於物品（Item-based）的方法。基於用戶的協同過濾將根據其他用戶對物品的評價來推薦物品給目標用戶，而基於物品的協同過濾則根據物品之間的相似度來推薦。
- 深廣學習推薦系統（Deep Learning Recommendation Systems）：深廣學習推薦系統使用深度神經網絡模型來捕捉用戶和物品之間的複雜關係，以提供個性化的推薦。這些模型可以學習到高維度的嵌入式表示，並進一步進行用戶興趣建模和物品推薦。協同過濾推薦系統需要大量的用戶行為數據（如評分或點擊數據），而內容推薦系統需要豐富的物品特徵數據。深廣學習推薦系統則需要用戶行為和物品特徵的結合數據。
新興應用技術
- Meta 元宇宙涉及虛擬現實技術、3D 建模、社交媒體和區塊鏈等多種技術，AI 在其中扮演著一個重要的角色，用於實現虛擬世界的智能化、自動化和個性化。
- Web 3.0中包括去中心化、區塊鏈和加密貨幣等技術的應用。AI 在 Web 3.0 中也扮演著重要的角色，特別是在區塊鏈智能合約、數據分析和自動化等方面的應用。AI 技術可以用於分析和處理大量的數據，提供智能合約的自動執行和驗證機制，並改進用戶的互動和體驗。
Al產業應用
智慧製造
- 產品檢測/瑕疵檢測
- 規劃排程/自動化流程
- 設備維護預測
- 物流整合/庫存管理
- 自動化機械
智慧醫療
- 醫學影像與診斷
- 醫療訊號分析與偵測
- 病歷報告分析
- 健檢與輔助醫療照護
- 預測及風險分析
智慧零售
- 影像辨識(顧客、商品等）
- 智能客服
- 智慧貨架/庫存管理
- 倉儲與物流管理
- 顧客分析/需求預測
智慧金融
- 證件辨識
- 生物辨識
- 詐欺洗錢防制AML
- 最佳投資組合
邊緣運算
一種在邊緣設備或邊緣網路中執行人工智能（AI）任務的計算方式。它將AI的計算和推理能力移到距離數據生成源頭更接近的地方，以減少延遲、節省頻寬並提高效能。
- 邊緣運算強調將計算資源和AI能力移近到數據生成源頭的重要性，以應對處理大量數據和低延遲要求的應用。生態系則涉及邊緣運算相關的技術、產品和服務提供商，包括硬體設備、軟體平台、開發工具等。
- 霧運算（Fog Computing）是指在邊緣設備和雲端之間建立的一層中介計算層。它將計算和存儲資源分佈到邊緣網路中，使數據能夠在邊緣設備和雲端之間進行處理和分析。分散式協作架構則關注在邊緣環境中實現多個設備之間的協作和溝通，以實現更複雜的任務和應用。
- 主流的邊緣計算方案和工具庫提供了在邊緣設備上執行AI任務的技術和工具。這些方案和工具庫通常包括優化的AI模型、運行時環境、軟體開發工具和部署工具等。它們使開發人員能夠將AI能力整合到邊緣設備中，實現本地化的AI處理。
- 5G和物聯網是邊緣運算的重要驅動力之一。5G技術提供了更高的帶寬、更低的延遲和更多的連接數，為邊緣設備提供了更好的網絡基礎設施。物聯網則提供了大量的感測器和設備，產生了大量的數據，需要在邊緣進行處理和分析。