文：八子知礼（YAKO Tomonori）、完全物聯網工杉山恒司（SUGIYAMA Koji）、圖解竹之下航洋（TAKENOSHITA Koyo）、作都走關松浦真弓（MATSUURA Mayumi）、於人土本寛子（TSUCHIMOTO Hiroko）
5.6 AI人工智慧與數據的工智個常應用
AI人工智慧概要與使用
目前市場上和IoT一樣被受關注的還有人工智慧（AI，Artificial Intelligence）了。見誤解現在被稱為第三次人工智慧的完全物聯網工浪潮，也是圖解AI人工智慧實際上在商業實務上的應用，比以往的作都走關任何時候都要多。
只是於人，現在還有一個問題。工智個常現在不管什麼都可以稱為AI，見誤解例如應用大量數據的完全物聯網工機器學習和機會學習、甚至傳統的圖解統計方法、圖像識別等，作都走關好像全都可以稱為AI。其實，隨著以深度學習為代表的進化式演算法和自我學習神經網路的發展，未來的AI勢必是走向一個自動分析的世界，筆者本人也非常期待這個時候的到來。
但是，目前的AI還是以輸入大量的數據和學習為前提。如果沒有蒐集、投入大量的數據，很難提高AI的能力，的確這也是目前存在的瓶頸。
我們也經常誤解「只要導入AI，AI什麼都可以做」，在目前這個時點，AI並不是魔杖。基於這樣的考量，以下，筆者將介紹一些有關IoT和AI人工智慧相結合，所帶來的各種可能性。
AI人工智慧的謬誤
2016年12月，顧能（Gartner）曾經發表關於人工智慧（AI）的10個常見誤解。以下介紹的十種狀況，完全是被誤解或是對AI的過度期待，與現實有非常大的一段距離。
- 非常聰明的AI已經存在。
- 任何人都可以透過導入諸如IBM華生（Watson）之類的人工智慧程式，進行機器學習和深度學習之後，立即可以從事一切「令人讚嘆的事情」。
- 有一種單獨存在的技術稱為AI。
- AI導入後，效果可以立竿見影。
- 「非監督式學習」優於「監督式學習」，因為無須定義就會了。
- 深度學習是最強的。
- 可以像選擇電腦語言一樣選擇演算法。
- 有一種任何人都可以立即上手的AI。
- AI是一種軟體技術。
- 結果AI並不能成為可用之物，所以沒有意義。
像這樣當我們談論AI人工智慧時，我們很容易傾向於AI就是一種非常聰明的東西，應該從事任何的事情，但是AI還沒有達到這樣的能力。還有人會說「工作都要被AI搶走了」，其實到目前為止，這些都還不會成為問題。
目前的AI最有可能的就是，有可能替換處理工廠生產線上的一些簡單的工作。AI能夠處理的，也只不過是類似流線式生產線上不斷重複的單作業模式，這樣的工作AI就能夠勝任。例如建築工地等，許多的工作環節，可能都有不同變化的情況，AI應該是還無法應對。
換言之，諸如事物的創新、決策的制定和錯誤的處理等，不屬於既定行事的處理過程，對AI而言都還是沉重的負擔。
AI的學習需要大量的數據
AI與買回來即可使用的家電是不一樣的。為了提高準確度和能力，必須使用大量的數據進行練習。如果在業界有一家公司，領先業界較早開始使用AI進行學習的話，這意味著這家公司，將具有比較領先的優勢。但是，這也僅是意味著，這家公司為了大量數據的學習，比較願意花費較長的時間罷了，沒有比較大資本企業的投資，還是很難得到比較有成效的結果。
而且，在許多情況下，僅就一個企業或一個業界領域的數據，實在是不足以創造新的商機。如果沒有加入其他各種企業所擁有的數據或是公開資料、SNS上的資訊等，應該很難獲得較有意義的結果。
為了解決這個問題，有必要與擁有數據的各種公司合作並共享資料，如第四章和第五章的5.4所述。或者需要一種能讓數據流通的機制。
然而，AI學習的方向與人類控制機器的學習不同，AI會自己判斷，決定自己要學習的內容，所以學習的結果，也有可能是一個意想不到的方向。由此可知，當決定讓AI進行學習時，必須好好思考希望提供AI什麼樣的數據進行學習。
各大超級平台所推出的代表性AI
Google、IBM、Microsoft和Amazon這些超級的雲端平台，近來先後都發表了屬於他們自己的AI。每一個AI的版本，在現實的模式和功能上，都有稍微的不同，以下我們就簡單地列表說明一下每個版本的功能。
Photo Credit 經濟新潮社出版IBM的AI稱為華生（Watson），也是可以稱之為AI的服務。IBM本身並未將華生認定為AI，但本書從廣義的角度，覺得應該以AI來介紹。華生可以稱為多個認知判斷解決方案Cognitive Services（認知服務）的集合體，這個解決方案提供了大量可用於各種服務的API（Application Programming Interface，應用程式介面）。
Google的AI雖然就是曾經在圍棋比賽，擊敗世界頂級好手而聞名的Alpha GO。但Google在Google 雲端平台還提供了TensorFlow、Speech API、Vision API等多款的API。這些都是經過深度學習的AI資料庫，例如提供經過學習的圖像辨識、語音辨識等API。
Microsoft的認知服務（Cognitive Service），就如同IBM的華生，主要是語音和圖像辨識的統合環境。在前一章節曾經介紹的Aroba View Colo就是使用了這項經過學習的服務，來進行性別和年齡的判別。
Amazon的AI包括了搭載聲音辨識音箱Echo的語音辨識引擎Amazon lex、聲音合成引擎的Amazon Polly和圖像辨識引擎的Amazon Rekognition。
即使是少量的數據也可以提供AI學習的服務
如果想嘗試將IoT的數據應用於AI時，重要的決策關鍵，就是學習的時間和費用。因此，大約在2016年左右，已經開始出現「AI最少可以縮短多少學習時間？（或是進行AI學習，可以減到最少的數據量？）」，就不斷聽到類似這樣的聲音。