AI心得
這邊是我開發AI模型大概一年多以來的心得，在以前學校做研究的時候，主要是基於物理理論和實驗數據去進行模型的建立，當模型建立完畢，我們就可以輸入資料到模型中計算後可得到預先想要的輸出結果。其實這樣的流程會很耗費大量時間，這是因為在開發的過程中，要得到較高精準度的模型，就需要耗費許多時間思考與修改等等。這樣的一個流程往往要花上幾個月的時間去做開發，後來我就嘗試用AI的方式去玩玩看，發現只要數據處理完善且特徵值選對，結果就會相當準確。
AI適用時機
後來進一步思考，哪些場景適合用AI處理，哪些適合用物理方法去做?那我覺得首先可以先評估數據量，如果數據量充足，那或許就可以用AI的方法去進行開發。如果數據量不足夠，那還是只能用一些物理模型的方法。
接著，我們進一步考慮數據量充足的情形，我們會判定這個技術有沒有需要大規模佈署，因為當AI不管是要佈署到地端或雲端，採用AI去進行佈署本身所需成本就會相對較高。如果今天的應用場景是小規模佈署，那我會覺得直接用AI方法去開發即可，這是由於當數據量充足，沒有特多佈署，甚至很可能是把AI模型放到一台電腦中進行運算，成本不會耗費太多。這時候在熟悉AI工具的情況下，就可以直接讓AI從數據當中擷取規則，有時候甚至會比用物理模型開發還要來的快，而且當數據量充足時，會比物理模型還要來得準確。
如果今天考慮到的是大規模佈署，那就需要在這兩者之間進行考量，要看應用端重視的是什麼?如果非常重視精準度，那就可考慮採用AI工具，那如果非常注重成本花費，或許就可用物理模型去開發。
總結
我覺得AI是一個萬用工具，很多時候很難找出規則的時候，AI就可以自動從數據中擷取規則，往往會有不錯的效果，那因為現在有很多的平台供大家使用，所以可以縮短開發者的研究時間，像是Tensorflow的Keras，或是Scikit Learn，只要打幾行程式碼，就可以運用機器學習或深度學習的模型，因此，其實只要把輸入與輸出調整正確，模型開發速度就會相當迅速，但相對的代價是佈署時候的成本問題，那我覺得在未來硬體不斷進步的情況下，也會讓這些運算成本進一步的降低，讓AI這個方法可以應用到各式各樣的領域當中。
相關文章