人工智慧概論訪談 | 郭美惠教授

我認為 AI 未來發展最重要的就是目標要正確，人工智慧主要是為了要幫助人類發展、幫助人類解決問題和學習，而不是取代人類，讓人類聽命於機器。也就是說如果把太多的目標放在取代人類，很可能會走偏，例如發展工廠自動化能夠節省勞力，但也讓一部分人類失去工作；而像是發展音樂辨識這一類的功能，應該是幫助人們學習而非讓人們最後失去這個能力。

我覺得現在人工智慧比較成熟的技術大部分都在影像資料處理方面，例如人臉辨識或高科技產業中晶圓缺陷的辨識，延續這個方面發展應該可以再提升這項技術。

大學時我就讀應用數學系，畢業後第一年到美國繼續念數學，但第二年就轉到另一間大學念統計，接著研究所畢業後，我留在美國教了三年書再回台灣，並直接進入中山大學任教。

我感覺統計是和人有關的一門科學，比較生活化，這些資料並不只是在一個假設之下去做的研究，而是世界所產生的真實問題所衍生出來的研究，所以我覺得統計比做純粹的數學研究更有興趣一點！

我從 1992 年就來中山任教，中山的風景很漂亮，學風也很自由。此外，中山不錯的地方也包含朝向國際化發展和鼓勵國際合作。在學生特質方面，我認為本系學生跟台成清交的學生相比，本質上沒有什麼差別，但通常比較吃虧的是語言方面，特別是英文須待加強。

人工智慧跟數據科學一樣，是一門跨領域的學科。應數系學生已經具備數學底子，但因為系上缺少類神經網路及深度學習等方面的課程，所以我會鼓勵他們去修一些資管或資工的課程，例如資管系黃三益老師文字探勘的課程、資工系資料庫的課程等等。跨領域的學習將可以幫助他們在未來進入社會時，能夠更容易學習新知識。

我會先從比較基礎的部分介紹，例如機器學習的學習方式和問題的類別。機器學習最基本的學習方式可以分為所謂的監督式學習、非監督式學習、半監督式學習、強化學習及轉移學習等等；問題本身則可以分為回歸（regression）及分類（classification）等等。因此這堂課將會讓大家了解到機器學習有哪些學習方式，以及問題的分類。

主要是金融相關的資料，包含預測資產、預測經濟指數等資料，當然也有工程方面的應用，但工程方面我們可能就會將時間序列稱作「訊號」，這些訊號本身是一種時間序列，而且會較高頻。

我認為目前兩者沒有誰輸誰贏，兩種方法各有優缺點。當金融市場震盪較大的時候，深度學習相關的方法可能會比較適合，但當市場趨於平穩時，傳統統計數學方法的準確度會更高。

LSTM 可以處理時間序列的問題，因為他可以分析前後相關性，可以用來預測時序相關的資料。此外不少人也會將他應用在文字探勘方面，除了時間的前後，空間上的前後關係也可以分析，所以 LSTM 也很擅長解決跟文字語意相關的問題。