什麼是人工智慧？
人工智慧 (AI) 是電腦科學的一個領域，致力於解決與人類智慧相關的常見認知問題，例如學習、創造和影像辨識。現代組織從不同來源收集大量資料，這些來源包括智慧感測器、人工產生的內容、監控工具和系統日誌等。AI 的目標是建立能從資料中取得有用資訊的自學習系統。然後，AI 可以套用這些資訊以仿似人類的方式解決新問題。例如，AI 技術能夠與人類進行有意義的對話、建立原創的影像和文字，並根據即時資料輸入做出決策。組織可以將 AI 功能整合到其應用程式中，以最佳化業務流程、改善客戶體驗並加速創新。
人工智慧技術是如何發展的？
在艾倫·圖靈 (Alan Turing) 1950 年極具開創性的論文《計算機與智慧》中，他提出機器思考的可能性。在該篇論文當中，圖靈首先創造了「人工智慧」一詞，並將其以理論和哲學概念提出。
1957 年至 1974 年間，運算技術的發展使電腦能夠更快速地儲存更多資料並進行處理。在此期間，科學家也進一步開發了機器學習 (ML) 演算法。該領域的發展主導了國防高等研究計劃署 (DARPA) 等機構，為 AI 研究創立基金。一開始，這項研究的主要目的其實是探索電腦是否能轉錄和翻譯口說語言。
1980 年代，科學家在 AI 領域投入越來越多基金和演算法工具套件，進而推動了整體發展。大衛·魯梅爾哈特 (David Rumelhart) 和約翰·霍普菲爾德 (John Hopfield) 發表了關於深度學習技術的論文，其中表明電腦可以從經驗中學習。
從 1990 年代到 2000 年代初，科學家實現了許多 AI 的核心目標，例如打敗世界棋王。與過去幾十年相比，電腦現在的資料運算和處理能力更加先進，人工智慧研究也更加普遍且容易取得。AI 技術正在迅速進化為「通用人工智慧」，讓軟體執行複雜任務。例如，軟體可以自行建立內容、做出決策和學習，而這些能力以前只有人類可以達成。
人工智慧有哪些優勢？
人工智慧有潛力為各行各業帶來許多優勢。
解決複雜問題
AI 技術可以使用機器學習和深度學習網路，以仿似人類的智慧來解決複雜問題。人工智慧也可以大規模處理資訊，包括消化模式、識別資訊並提供解答。您可以用 AI 來解決各種領域的問題，例如詐騙偵測、醫學診斷和業務分析。
提高業務效率
AI 技術不同於人類，可以全天候工作同時保持效能。換句話說，AI 可以精準地執行手動任務。因此，您可以讓 AI 負責重複繁瑣的任務，以便將人力資源用於其他業務範圍。AI 可以減少員工的工作負載，同時簡化所有業務相關工作。
做出更明智的決策
AI 可以使用機器學習，比任何人類都更快速地分析大量資料。AI 平台則能發現趨勢、分析資料並提供指示。藉由資料預測，AI 可以協助建議未來行動的最佳方案。
自動化業務程序
您能夠以機器學習訓練 AI，以精準快速地執行任務。如此一來便能自動化員工難以達成或繁瑣無趣的業務部分，進而提高營運效率。同理，您可以使用 AI 自動化來釋放員工資源，以進行更複雜且更具創造力的工作。
人工智慧有哪些實際應用？
人工智慧具有廣泛的應用範圍。雖然以下列表並不詳盡，但這裡提出一些範例，凸顯 AI 多元的使用案例。
智慧文件處理
智慧文件處理 (IDP) 可將非結構化���件格式轉換為可用的資料。例如，這項技術可以將電子郵件、圖像和 PDF 等企業文件轉換為結構化資訊。IDP 使用自然語言處理 (NLP)、深度學習和電腦視覺等 AI 技術來擷取、分類和驗證資料。
例如，英國政府非內閣部門 His Majesty's Land Registry (HMLR) 負責處理英格蘭和威爾斯 87% 以上的土地和財產所有權。HMLR 的社工會比較和檢閱與土地交易相關的複雜法律文件。不過，該組織後來採用了一個 AI 應用程式來自動化文件比較工作，進而縮短 50％ 檢閱時間，並加速土地所有權移轉的審批流程。如需更多詳細資訊，請參閱「HMLR 如何使用 Amazon Textract」。
應用程式效能監控
應用程式效能監控 (APM) 是指使用軟體工具和遙測資料，來監控業務關鍵型應用程式效能的程序。以 AI 為基礎的 APM 工具會使用歷史資料在問題發生之前即進行預測。這些工具也可以向開發人員提出有效的解決方案建議，即時解決問題。此策略讓應用程式保持有效執行並突破瓶頸。
例如，Atlassian 就開發了相關產品以簡化團隊和組織。Atlassian 使用 AI APM 工具持續監控應用程式、偵測潛在問題並排定問題嚴重性的優先順序。透過此功能，團隊可以快速回應由 ML 提供的建議，並解決效能下降的問題。
預測性維護
由人工智慧增強的預測性維護技術使用大量資料，識別出可能導致操作、系統或服務停機的問題。預測性維護使企業能在潛在問題發生前解決問題，進而縮短停機時間並防止作業中斷。
例如，Baxter 透過全球 70 個製造基地全天候營運，以提供醫療技術。Baxter 採用預測性維護，自動檢測工業設備的異常狀況。使用者可以提前實施有效的解決方案，以縮短停機時間並提高營運效率。如需更多詳細資訊，請參閱「Baxter 如何使用 Amazon Monitron」。
醫學研究
醫學研究領域透過 AI 來簡化流程、自動化重複性工作，以及處理大量資料。您可以在醫學研究中使用 AI 技術，協助推動端對端的藥物開發、轉錄醫療記錄並縮短新產品的上市時間。
實際應用上，C2i Genomics 即使用人工智慧來執行大規模且可自訂的基因體序列資料分析和臨床檢查。研究人員不必操心於運算解決方案，可以專注在臨床表現和方法開發。另一方面，工程團隊也使用 AI 來降低資源需求、工程維護和 NRE 成本。如需更多詳細資訊，請參閱「C2i Genomics 如何使用 AWS HealthOmics」。
商業分析
商業分析領域使用 AI 來收集、處理和分析複雜的資料集。您可以運用 AI 分析來預測未來價值、瞭解資料的根本含意，並減少耗時的作業程序。
例如，鴻海集團使用以人工智慧增強的業務分析技術，來提高預測準確度。他們的預測準確度提高了 8%，讓工廠每年可省下 533,000 美元成本。鴻海也使用商業分析技術，透過以資料驅動的決策來減少勞力浪費並提升客戶滿意度。
什麼是關鍵人工智能技術？
深度學習神經網路是人工智慧技術的核心。神經網路會模擬人類大腦的事件處理過程。人類大腦包含數百萬個神經元，一起分工處理和分析資訊。深度學習神經網路即是使用人工神經元，來一起處理資訊。人工神經元也可稱為「節點」，是透過數學計算來處理資訊並解決複雜問題。因此，這種深度學習方法可以有效解決問題，或自動化那些通常仰賴人類智慧的工作。
您可以透過不同方式訓練深度學習神經網路，開發出不同的 AI 技術。接下來，讓我們說明一些以神經網路為基礎的關鍵技術。
自然語言處理
自然語言處理 (NLP) 使用深度學習演算法來解譯、理解和收集文字資料中的隱含意義。NLP 可以處理人類所建立的文本，因此有助於摘要文件內容、自動化聊天機器人和進行情緒分析。
電腦視覺
電腦視覺使用深度學習技術，從影片和影像中擷取資訊和見解。透過電腦視覺技術，電腦即可如人類般理解影像內容。您可以使用電腦視覺來監控線上內容是否包含不當影像、進行臉部辨識，以及分類影像詳細資料。對自駕轎車和卡車來說，監控環境並立即做出決策是至關重要的能力。
生成式 AI
生成式 AI 指的是一種人工智慧系統，可以透過簡短的文字指示，產生新的內容和成果，例如影像、影片、文字和音檔。不同於過去僅限於資料分析的 AI 技術，生成式 AI 利用深度學習和大量資料集，來產生高品質、仿似人類的創意成果。不過，這令人耳目一新的創新應用問世同時，也出現對偏見、惡意內容和智慧財產權侵害的隱憂。總體而言，生成式 AI 標誌了 AI 功能演化的重大里程碑，能以仿似人類的方式產生新內容。
語音識別
語音識別軟體使用深度學習模型來解譯人類語音、辨認單字並偵測含意。神經網路可以將語音轉錄為文字並展現聲音情緒。您可以在虛擬助理和客服中心軟體等技術中使用語音識別技術，以偵測語音的含意，進一步執行相應任務。
人工智慧應用程式架構有哪些關鍵部分？
人工智慧架構由四個核心層組成。每一層皆使用不同技術來執行特定作業。接下來，讓我們一一解釋每層的功能。
第 1 層：資料層
人工智慧是建立在各種技術之上，例如機器學習、自然語言處理和影像辨識。這些技術的核心即是「資料」，而這也構成了人工智慧的基礎層。資料層主要著重於準備 AI 應用程式所需資料。現代演算法 (尤其深度學習演算法) 需要大量的運算資源。因此，這層包含可做為子層的硬體，為訓練 AI 模型提供必要的基礎設施。您可以從第三方雲端供應商以全受管的服務形式存取資料層。
第 2 層：機器學習 (ML) 架構和演算法層
機器學習架構是由工程師與資料科學家合作建立而成，以滿足特定業務使用案例的需求。開發人員便能用預先建置好的功能和類別，輕鬆建構和訓練模型。這些架構包括 TensorFlow、PyTorch 和 scikit-learn。它們都是應用程式架構的重要元件，能提供重要功能，讓您輕鬆建置和訓練 AI 模型。
第 3 層：模型層
在模型層，應用程式開發人員會實作 AI 模型，並使用前一層的資料和演算法來訓練模型。這一層攸關 AI 系統的決策能力。
以下是模型層的一些關鍵組成部分。
模型結構
該結構決定了模型的容量，其中包括層、神經元和啟用功能。根據問題和資源不同，可以使用前饋神經網路 (FNN)、卷積神經網路 (CNN) 或其他選擇。
模型參數和函數
系統於訓練期間所學到的神經網路權重和偏見等內容對執行預測而言至關重要。損失函數會評估模型的效能，盡可能提升預測準確度。
最佳化工具
最佳化工具會調整模型參數，減少損失函數。如梯度下降法或自適應梯度演算法 (AdaGrad) 等各種最佳化工具的功能皆不相同。
第 4 層：應用程式層
第四層是應用程式層，這是 AI 架構中以客戶為考量重點的部分。您可以要求 AI 系統執行特定任務、生成資訊、提供資訊或做出以資料為基礎的決策。應用程式層讓最終使用者能與 AI 系統互動。
AI 實作有哪些挑戰？
AI 面臨許多挑戰，使實作變得更加困難。以下是 AI 實作和應用方面最常見的挑戰。
資料管控
資料管控政策必須遵守法規限制和隱私權法規。若要實作 AI，就必須管理資料品質、隱私權和安全性。您必須對客戶的資料和隱私保護負起責任。若要管理資料安全性，則貴組織應清楚瞭解 AI 模型如何在每一層級使用客戶資料並與之互動。
技術瓶頸
以機器學習訓練 AI 會耗用大量資源。若要讓深度學習技術正常運作，高門檻的處理能力至關重要。您必須擁有強大的運算基礎設施，才能執行 AI 應用程式和訓練模型。然而建立處理能力所需的成本非常可觀，而且會限制 AI 系統的可擴展性。
資料限制
若要訓練出中立的 AI 系統，您需要投餵大量資料。您必須具備足夠的儲存容量來處理訓練所用資料。同理，您必須具備有效的管理和資料品質程序，以確保訓練所用資料的正確性。
AWS 如何支援您的人工智慧技術需求？
AWS 讓 AI 可供更多人使用 – 從建置者、資料科學家到商業分析師和學生。AWS 擁有最全面的 AI 服務、工具和資源組合，為超過 100,000 名客戶帶來深厚的專業知識，以此滿足他們的業務需求並充分挖掘其資料的價值。客戶可以在保證隱私權、端對端安全和 AI 管控的基礎上使用 AWS 進行建置和擴展，以前所未有的速度進行轉型。
AI on AWS 包括預先訓練的 AI 服務，適用於現成的智慧與 AI 基礎設施，以最大限度地提高效能和降低成本。
預先訓練的服務範例：
- Amazon Rekognition，可自動化、精簡及擴展影像識別與影片分析。
- Amazon Textract，可從任何文件擷取印刷文字、分析手寫文字及自動擷取資料。
- Amazon Transcribe，可將語音轉換為文字，從影片檔案擷取關鍵業務洞察，以及改善業務成果。
AI 基礎設施的範例：
- Amazon Bedrock，提供多種高效能基礎模型和廣泛的功能。您可試驗各種頂級基礎模型，並使用資料以私有方式對其自訂。
- Amazon SageMaker 提供各種工具，可從頭開始預先訓練基礎模型，以便在內部使用。
- Amazon Elastic Compute Cloud (EC2) Trn1 執行個體採用 AWS Trainium 晶片技術，專為生成式 AI 模型的高效能深度學習 (DL) 訓練打造。
立即建立免費帳戶，開始使用 AI on AWS！
