智慧製造2019.08.08

演算法是什麼?能吃嗎?

飛飛

機器人 創新 服務

每當說到 AI 演算法時,總讓人感到既神祕又高深。簡單說來,演算法可說是一套步驟化流程。當輸入經演算後,就可產出結果。 事實上, 演算法在我們日常生活中隨處可見。

 

 

例如:我們在家裡,決定要去信義區 101大樓。

家裡 -> 1. 下樓梯

             2. 走路到捷運站

             3. 搭捷運            -> 101 大樓

 

從家裡為(輸入資料),經過 1-3 步驟後, 101 大樓為產出結果。

因此, 1-3 步驟 為所謂的演算法,能將位置從家裡位移到 101 大樓。

 

或者,例如:我們有一顆生雞蛋,

生雞蛋 -> 1. 打蛋

                2. 加葱花

                3. 入鍋            -> 葱蛋

 

同樣的,1-3 步驟即為所謂的演算法,能將將生雞蛋變成葱蛋。

 

不同的資料輸入,經由相同的1-3 步驟,就會產出不同結果。

例如:我們有的是生麵糊,

生麵糊 -> 1. 生麵糊

                2. 加葱花

                3. 入鍋            -> 葱味雞蛋糕

 

看來演算法還真能吃呢

 

(A) NN 模式而言,

輸入 -> 多層次運算 -> 產出

在這當中「多層次運算」即為演算法所在。

 

一般資料資處理中,以帳務處理為例:

 

A. 我們每天在同一欄位輸入當日支出,累積 30 天後,在特定欄位人工輸入函式,加總三十個數字,就能取得一個月的總支出金額。此即為傳統高度人工作業的資料處理。

          輸入 -> 特定欄位人工輸入函式 -> 產出

 

B. 或者,我們可以寫一個程式,將每累積三十個數字後就加總,並輸出加總金額於特定欄位;再加上時間元素的迴圈指令,也能取得每個月的總支出金額。此則為利用專屬應用軟體的資料處理作業。

         輸入 -> 特定欄位自動輸入函式 -> 產出

 

C. 或者,我們也可以在上述程式後面,加上每年經過 5 個月後,自動以月平均值預估一整年的總支出。同為利用應用軟體,但具多層次運算的資料處理作業。

輸入 -> 特定欄位自動輸入函式;並於每 5 次月總支出結算後,預估一整年的總支出 -> 產出

 

在上述的 輸入 - 產出 之間都是演算法。不同的演算法可以獲得同樣的產出(如 A 與B);也可能相同的輸入可獲得不同的產出項目(如 B 與 C)。這也是演算法令人著迷之處:

 

  • 你可以設定特定產出而設計你的演算法,如同上述為了到達 101 大樓,設定步驟式流程;或者,
  • 你也可以透過固定的演算法,但餵養不同的輸入(資料),獲得不同的產出,如同上述的葱蛋 vs 葱味雞蛋糕;或者,
  • 你也可以透同多層次運算, 獲得不只一個產出,如同上述 C。

 

當資料越多的時候,譬如累積 5 年的月總支出及年總支出時,還能透過平均年總支出修正當年度的年總支出預估值。那麼在過往,這樣演算式是透過軟體內建固定函式實現。因此,如果你今天想要改變參考值,將平均年總支出改為迄今的歷來所有月總支出平均值,除非你修改軟體,否則做不到。

 

     參考值變更的差異

  • 平均年總支出值:前 5 年的年總支出平均值
  • 歷來所有月總支出的平均值:前 5 年的所有月總支出平均值 + 當年度前 5 個月的月總支出平均值

 

換成 AI 演算法,則我們所設計的演算法將不再是固定函式。

 

D. 透過大數據資料搜尋,會自動篩選所有可能的相關參考值,包括:平均年總支出、歷來所有月總支出的平均值、迄本日為止之前所有日總支出的平均值等。

依據使用者需求提供參考值:

  • 希望最精準數字-> 迄本日為止之前所有日總支出的平均值。
  • 製作年度比較報表 -> 只需平均年總支出 (不需要當年度前五個月的總支出數據)。
  • 用於月產量相關報表 -> 歷來所有月總支出的平均值。

 

因此,AI 演算中, 輸入- 產出 間不再是數學函式的指令式演算,而改以資料庫搜尋,並就搜尋結果列出所有可能的相關產出,再提供所有可能產出供使用者挑選;或是依使用者指定需求選定最終產出。

 

如此,同一套資料庫(輸入)也將因為不同的演算法,產出不同的結果。

 

譬如:上述的資料庫是以平均值為算式,但如果

E. 演算式會透過資料庫比較每季總支出(非平均值),並經比較後為四季賦予不同加權,那麼當年度的年總支出預估值,將因為季加權而有了時間因素影響,就將具備不同的產出。

 

參考值變更的差異

  • 歷來所有月總支出的平均值:前 5 年的所有月總支出平均值
  • 歷來所有月總支出,經季加權後所得的平均值:前 5 年的所有 Q1月總支出平均值*加權指數,及 Q2-Q4 個別比照不同加權指數後,再得出的平均值

 

E 的演算式尤其適合具明顯淡、旺季產業的「於每 5 次月總支出結算後,預估一整年的總支出」產出。

 

比較 D 與 E,即可明瞭同一套資料庫,經由不同演算法:

  • 可以取得不同結果的答案,例如:

同樣欲產出「預估一整年的總支出」

D:簡單平均值

E:季加權後的平均值

  • 可以取得不同數量的產出,例如:

D:「預估一整年的總支出」

E:「預估一整年的總支出、「每季加權值所代表每季(淡、旺)之間的關聯係數」

 

演算法並不神祕,而是問題解決的工具;不僅如此,更是比以往制式固定軟體更有趣的創意解決工具。當我們想知道未來一年該投入多少資金時,不再是告訴祕書,給我過去五年所有相關資料,而那意味著出貨數據、原料成本數據、人力數據、客戶數據等如海水般的資料;同時決策者必須自己思考該如何看待所有資料。AI 不僅優勢於演算法,還伴隨能自動匯入如原料新聞、政策/法規變動等外部資料的大數據。在這樣的 Big Data 裡,投以不同面向的 trained AI 模式,決策著所得獲得的將不僅僅是更完整的資訊全貌,也將是多面向的 3D 立體實境。

延伸討論

智慧製造

虛擬 vs 實境 背後的技術運用

飛飛
AR / VR / MR 帶我們進入虛擬幻境新視界。《愛麗絲夢遊仙境》成了人人都可身歷其境的超現實體驗。迷幻眩影、實虛交融又是怎麼辨到的呢?
智慧製造

AR / VR / MR 是虛擬也是實境  但絕不只是場遊戲

飛飛
不管是莊周夢蝶,夢乎?現實乎?還是日有所思、夜有所夢,心理學佛洛伊德以潛意識看待夢境,虛擬與實境已進入可透過 AR / VR / MR 融為一境,虛實交錯成超現實感性體驗,擴展我們感官與認知極限的全面性商業化普及階段,不再侷限於電玩、影像娛樂的螢幕夢遊,而更能將數據化精準資訊,轉化為我們於聲色體驗,以身歷其境彼此交流。
智慧製造

(A)NN 人工神經網路如何成就 AI 之路?

飛飛
(Artificial ) Neural Networks 人工神經網路,則模擬人類神經元運作方式:一旦刺激超過一定界值時,就會傳遞給下一神經元;並透過神經元層層傳遞的累加訊息,最終歸結產出多層次運算後的結果。