Re: [請益] 類神經網路的能力與取代性

[DrTech (竹科管理處網軍研發人員)]

※ 引述《iseeyou080 (iseeyou080)》之銘言：
: 第一次發文請見諒
: 最近看一些新聞 提到機器人或AI
: 也看到類神經網路似乎可以從雜亂無章或複雜的data 分析和學習
: 很類似半導體製程工程師的工作
: 想請問各位百萬
: 製程工程師 或設備和整合工程師
:  在未來會有被AI 取代的一天嗎

  小弟在這行業界經驗已經4年了。
  隨時都在讀論文導入產品，我可以很明確地說，目前技術做不到。

  目前所有人工智慧，都伴隨著大量的 "工人智慧"

  前幾年Deep Learning 火紅的時候，真正爆炸點，並不是技術有什麼突破。
  的確大家發現了讓學習模型複雜且可以收斂的方法了，但是那時大家覺得沒什麼用。

  要不是 ImageNet 花了大量的"人工"標註圖片內容(Amazon Mechanical Turk)，
  大家怎麼會發現，原來深度學習好像有點用?

  最近雖然FB,MS,Google都推出對話機器人服務，但是大家可以去看它們這兩年的論文。
  論文跟產品廣告出來的技術難度差太多了。

  產品展現出來的功能，例如訂Pizza，這種小事情，
  大家可以去看 A Neural Conversational Model 為範例，
  要用多少的資料，多少的人工整理過的資料去預先處理?

  目前即使是深度學習，還是包含大量的人工預先處理。
  雖然很多論文號稱不用標註，但實際上用到產業界都不好用，或根本沒效果。

  個人覺得，不管是業界頂尖或學術研究，
  目前還沒看到個影子，AI大量取代技術工作者。


--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 119.126.117.148
※ 文章網址: https://www.ptt.cc/bbs/Tech_Job/M.1464489729.A.86D.html
推 wyvernlee: 你人工智慧系？
推 hardCode: 樓上 現在資料分析很夯吧 人工智慧lab多啊
推 futureBF: 我相信你
推 yibaby77: 推這篇
推 iseeyou080: 非常感謝您的回答 原來有工作這麼多元 嚮往您的工作
推 iamala: 目前的企業的商業獲利模式尚不明朗，但是受僱者的獲利倒是
→ iamala: 很火紅，當下作這個可說是顯學且薪水可觀。
推 bowin: 推
推 heuristics: 標注是一次性的工作，談不上是問題，請不到人也可以
→ heuristics: 丟 Amazon Mechanical Turk 解決，怕被取代，主要還是
→ heuristics: 看手邊的工作是不是可以用 NN 解決，您問我我是演算法
→ heuristics: 工程師會不會被 NN 取代，我會回還早，現在 NN 離創造
→ heuristics: 力還很遠，您問我我是公司的電話客服會不會被 NN 取代
→ heuristics: ，我會回您要小心了
→ king19880326: DrTech大大怎麼不去矽谷撈一票
推 zxc2694: 正解
推 powergreen: 推目前技術做不到
推 hungys: 推
推 ian90911: 推
推 Narcissuss: 整理到一個階段 叫人類判斷就好了
推 jeromeshih: 覺得沒法完全取代，但可能降低人力需求
推 andywalk1989: 好文 期望大大未來多多分享
推 iviva1988: 推
推 iseeyou080: 推
推 WenliYang: 推啦～
推 rainthechih: 推
→ BakerSt221B: 2F哈哈哈哈哈哈哈
推 mmmbop: 糧草徵收人、礦工、伐木工應該就不會被取代吧
→ yolasiku: 拎杯6年前論文就是用NN+big data 數據還比nasa還猛
推 tomdavis:  推推 拿來demo可以 很潮 長官愛 但是真的沒辦法實用
推 XJY13: 先前的資料處理也很重要，一堆極端值也會影響機器學習分析
→ XJY13: 出的y值，還有bias lambda的參數調整，避免overfitting
推 tomdavis:  需要大量工人智慧這點我有些疑問
→ tomdavis:  deep learning的好處之一包含不用特別做feature
→ tomdavis:  只要給的原始資料中或多或少包含關鍵資訊就可以
→ tomdavis:  影像處理的部分已經是拿一個一個pixel當input
→ tomdavis:  讓模型自己學出 需要從點中得到怎樣的資訊
→ tomdavis:  像是先前google 從影片中學出來的 人臉 以及 貓臉
推 tomdavis: 阿有些偏了 imgnet那邊的標註答案的確需要人的幫助
→ tomdavis: 但那是標註答案的部分 我前面講的是input的預處理
→ childlike12: 這篇講的是可監督式的學習，不是深度學習。
→ tomdavis: 回文講AI提到的模型 不是都算是deep learning的模型嗎??
推 ljsnonocat2: 以前的人也認為電腦圍棋下不贏人類職業高手啊
→ ljsnonocat2: 就算原po在這行  寫的出阿法go嗎？
推 heuristics: 需要大量工人智慧是對的，fine-tuning 階段還是需要大
→ heuristics: 量的標注資料才會學得好，監督或非監督不是判斷是不是
→ heuristics: 深度學習的依據，DNN 也沒什麼特別，但 Deep 之後的確
→ heuristics: 效果驚人，在一些領域把既有的方法直接拋在背後追都追
→ heuristics: 不到
推 kevin190: 抽取資料的feature還是要設計過，不然效
→ kevin190: 果不好
推 maplefog: 我預測會先用在翻譯系統 deep learning可以解決翻譯問題
→ ql4au04: Language model 加上dnn的成果也越來越扯
推 st900278: crowdsourcing 大好～
推 B9830226: 勿忘unsupervised learning，是可以幫助labeling的
推 gogogogo3333: 覺得比起CNN，小弟更看好LSTM-RNN的潛力