Re: [請益] 類神經網路的能力與取代性

: 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。 --
※ 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？ 05/29 10:46

推 hardCode: 樓上 現在資料分析很夯吧 人工智慧lab多啊 05/29 10:51

推 futureBF: 我相信你 05/29 10:54

推 yibaby77: 推這篇 05/29 10:57

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 05/29 11:00

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 05/29 11:13

→ iamala: 很火紅，當下作這個可說是顯學且薪水可觀。 05/29 11:13

推 bowin: 推 05/29 11:16

推 heuristics: 標注是一次性的工作，談不上是問題，請不到人也可以 05/29 11:23

→ heuristics: 丟 Amazon Mechanical Turk 解決，怕被取代，主要還是 05/29 11:23

→ heuristics: 看手邊的工作是不是可以用 NN 解決，您問我我是演算法 05/29 11:23

→ heuristics: 工程師會不會被 NN 取代，我會回還早，現在 NN 離創造 05/29 11:23

→ heuristics: 力還很遠，您問我我是公司的電話客服會不會被 NN 取代 05/29 11:23

→ heuristics: ，我會回您要小心了 05/29 11:23

→ king19880326: DrTech大大怎麼不去矽谷撈一票 05/29 11:32

推 zxc2694: 正解 05/29 12:00

推 powergreen: 推目前技術做不到 05/29 12:02

推 hungys: 推 05/29 12:23

推 ian90911: 推 05/29 12:28

推 Narcissuss: 整理到一個階段 叫人類判斷就好了 05/29 12:29

推 jeromeshih: 覺得沒法完全取代，但可能降低人力需求 05/29 12:40

推 andywalk1989: 好文 期望大大未來多多分享 05/29 12:45

推 iviva1988: 推 05/29 12:47

推 iseeyou080: 推 05/29 12:49

推 WenliYang: 推啦～ 05/29 12:51

推 rainthechih: 推 05/29 13:04

→ BakerSt221B: 2F哈哈哈哈哈哈哈 05/29 13:26

推 mmmbop: 糧草徵收人、礦工、伐木工應該就不會被取代吧 05/29 15:59

→ yolasiku: 拎杯6年前論文就是用NN+big data 數據還比nasa還猛 05/29 16:06

推 tomdavis: 推推 拿來demo可以 很潮 長官愛 但是真的沒辦法實用 05/29 16:22

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 05/29 16:24

→ XJY13: 出的y值，還有bias lambda的參數調整，避免overfitting 05/29 16:24

推 tomdavis: 需要大量工人智慧這點我有些疑問 05/29 16:26

→ tomdavis: deep learning的好處之一包含不用特別做feature 05/29 16:27

→ tomdavis: 只要給的原始資料中或多或少包含關鍵資訊就可以 05/29 16:28

→ tomdavis: 影像處理的部分已經是拿一個一個pixel當input 05/29 16:29

→ tomdavis: 讓模型自己學出 需要從點中得到怎樣的資訊 05/29 16:29

→ tomdavis: 像是先前google 從影片中學出來的 人臉 以及 貓臉 05/29 16:30

推 tomdavis: 阿有些偏了 imgnet那邊的標註答案的確需要人的幫助 05/29 16:34

→ tomdavis: 但那是標註答案的部分 我前面講的是input的預處理 05/29 16:35

→ childlike12: 這篇講的是可監督式的學習，不是深度學習。 05/29 16:58

→ tomdavis: 回文講AI提到的模型 不是都算是deep learning的模型嗎?? 05/29 17:04

推 ljsnonocat2: 以前的人也認為電腦圍棋下不贏人類職業高手啊 05/29 18:29

→ ljsnonocat2: 就算原po在這行 寫的出阿法go嗎？ 05/29 18:30

推 heuristics: 需要大量工人智慧是對的，fine-tuning 階段還是需要大 05/29 19:26

→ 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 05/29 19:26

→ heuristics: 深度學習的依據，DNN 也沒什麼特別，但 Deep 之後的確 05/29 19:26

→ 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 05/29 19:26

→ heuristics: 不到 05/29 19:26

推 kevin190: 抽取資料的feature還是要設計過，不然效 05/29 20:48

→ kevin190: 果不好 05/29 20:48

推 maplefog: 我預測會先用在翻譯系統 deep learning可以解決翻譯問題 05/30 00:46

→ ql4au04: Language model 加上dnn的成果也越來越扯 05/30 05:48

推 st900278: crowdsourcing 大好～ 05/30 11:14

推 B9830226: 勿忘unsupervised learning，是可以幫助labeling的 05/31 07:50

推 gogogogo3333: 覺得比起CNN，小弟更看好LSTM-RNN的潛力 05/31 22:08