今年一月中，Google發表了自動化機器學習工具（Cloud Auto ML），引發台灣業界熱烈討論。到底所謂的自動化機器學習是什麼意思？對於台灣產業界來說又有何種影響性呢？而近年來人工智慧(AI)相關職缺需求倍增，加上高薪待遇，吸引不少人想轉職投入。不過AI演算法或機器學習相關領域，難度極高，一般人想靠短期進修轉職進入該領域，可不像轉職寫App或寫程式這般簡單。
然而筆者就議題提出三個方向性問題，並逐一加以闡述。在寫出一些重點時，小弟首先要提供一些參考資訊給各位讀者先！
PK HO 備註：
ML : Machine Learning (機器學習)。有一些朋友可能同時間會聽過 Artificial Intelligence (AI) (人工智能) 及 Deep Learning (DL) (深度學習)，在此小弟建議有興趣的朋友看看刊載於 NVIDIA 台灣官方部落格的文章 - 人工智慧、機器學習與深度學習間有什麼區別? 以下的圖整得不錯，因此恕我 capture 來放在此。
Cloud : Cloud Computing (雲端運算)，例如 Google 自家有一個叫 Google Cloud Platform (GCP) 的。
(1) 什麼是Auto ML？又有什麼樣的特點？
- AutoML 提供簡單明瞭的圖形化使用者介面，方便使用者選取數據，接著再利用這些數據打造符合使用者特定需求的模型。
- AutoML在資訊技術的發展堆疊上，最大的意義在於把人工智慧技術的抽象層級再提高一層，就好像C語言的發明，讓程式設計師從此以後不用懂太多底層電腦的架構就可以寫程式一樣，現在使用AI技術不用懂太多機器學習。
- LIVEhouse共同創辦人程世嘉在《Google憑AutoML，將把AI新創公司的一些活路堵死》文章中指出，AutoML 最大的突破性和破壞性在「用AI協助企業做決策」這個領域。
- 艾爾科技（MyET）執行長林宜敬指出及舉例：
- 台灣有許多電子製造業公司僱用了很多的目視檢測(Visual Inspection)人員，他們的工作，就是將看起來有問題的產品跟看起來沒有問題的產品分開。而有了 Auto ML 之後，那些電子製造業公司就可以很快地建立自己的人工智慧目視檢驗程式，取代人工的目視檢測。
- 大型電子公司早就在使用一些自動光學檢查（Automated Optical Inspection，AOI）工具，那些自動光學檢查工具用的也許不是最新的機器學習技術，但是已經非常的成熟，已經融入很多的Domain Knowledge，並且跟整個製造流程結合的很好。
- 104人力銀行：
- 台灣人工智慧相關人才缺口約有6000人，而全球也正展開AI人工智慧搶人大作戰。
- 下列的三類工種的平均年薪最高：
- 資料科學家：122萬新臺幣（每年約33萬港元，而每月約2.7萬港元）
- 演算法工程師：88萬新臺幣（每年約24萬港元，而每月約2萬港元）
- 機器人工程師：83萬新臺幣（每年約22萬港元，而每月約1.9萬港元）
- 台灣產業界對於Auto ML 工具有一些侷限之處：
- 本身功能：工具是標準化的，彈性很小，因此模型客製化程度相當有限，也不夠精緻。
- 整個機器學習的過程：機器學習可不是僅有建模調參數等步驟而已，還包括還包括「訂題目」與「搜集整理數據」等重要步驟，自動建模僅解決機器學習小部分挑戰。
- 台灣的產業現況：建模也非台灣多數企業導入機器學習時的最大挑戰，因此就算可以快速建模，還是無法大幅度提升企業將業務導入機器學習的速度。
- 台灣企業目前大多還停留在搜集整理數據，並且找出數據價值的階段，因此非常需要在地的服務支援，這是雲端服務無法提供的。
- 學界的觀點：
- 對於學生來說可以快速理解機器學習的梗概，利用這類工具迅速做出一個簡單的模型，在課堂中Demo，讓學生快速入門。
- 但學生需要扎實的數學與統計等領域基礎。
- 讓初入門的學生不注重基本理論，並且缺乏獨立思考能力。
- 學界認為在機器學習領域最大的挑戰還是在於訓練資料的缺乏。
- 2017年騰訊研究院《全球人工智能人才白皮書》：全球AI相關產業人才總數約30萬人，但光是中國，人才需求就超過百萬人。
- 藍星球副總經理宋浩：
- 招聘人工智慧演算法工程師時希望是資工資管等電腦科學相關領域的碩博士生。
- 若要能設計新的演算法，除了基本的程式設計，必須有離散數學線性代數、離散數學與微積分等數學基礎，以及資料結構與演算法等領域，這些領域基本功要夠扎實才行，只懂皮毛是不夠的。
- 要累積足夠的產業Know-how
(文章來源)
