機器學習 (Machine Learning)
機器學習是人工智慧的核心分支,讓電腦透過消化資料找出規律,並在沒有明確規則指令的情況下自行做出預測或決策。
機器學習(Machine Learning)是人工智慧的一個重要分支。簡單來說,它不是由工程師逐行寫下所有死板的判斷邏輯,而是讓電腦系統閱讀大量歷史資料,自己找出潛在規律與特徵,進而對新狀況做出預測或採取行動。
傳統程式設計就像廚師照著嚴格的食譜做菜,只要步驟沒寫,電腦就不會做。機器學習則像是品嘗了成千上萬道料理後,學會自己歸納出鹹甜搭配比例的學徒,面對從未見過的點菜需求,也能推估出合適的口味。
規則與機器學習的根本差別
假設台北一家熱門的手搖飲店想預估每天要煮多少珍珠。老闆以往憑經驗訂定規則:只要是週六,珍珠就多煮兩成;要是下雨,總量就減少一成。這種由人類直接給予的判斷標準就是規則(Rules)。
若改用機器學習,系統會把過去整年的營業紀錄拿來分析,同時對照星期幾、降雨量、氣溫、附近商圈是否有路跑活動等變數。模型會在資料堆中自己找出複雜關聯,例如氣候微涼的週六下午搭配促銷活動時,外送冷飲反而比熱飲多賣出多少杯。不過,若某天店門口突然臨時封路施工,而這個資訊從未輸入系統,模型就無法憑空預測這種突發意外。
常見的三種學習方式
機器學習依據取得資料的形式,主要分為以下三種常見模式:
- 監督式學習:同時給模型題目與標準答案。例如提供過去每天的天氣特徵與實際售出的珍奶杯數,模型學會預測數量(迴歸),或是讓模型判斷顧客的留言屬於讚美還是客訴(分類)。
- 非監督式學習:只給資料,不給預先標記好的答案。例如將過去一年的消費會員名單丟給模型,讓它自動依據消費頻率和時段分成數個群組。演算法可以幫你找出分群,但每一群代表什麼客群特性,仍需要由營運團隊解讀。
- 強化學習:設定目標與獎懲機制,讓模型在模擬環境中不斷嘗試錯誤。模型如果做對一步就獲得加分,做錯就被扣分,藉此摸索出效益最高的行動策略。
如何客觀測試一個機器學習模型
在實際商業應用中,導入機器學習不代表必須直接取代人工。你可以透過以下步驟建立客觀的檢驗流程:
- 嚴格劃分預測時間點:如果店家是在前一天晚上備料,模型就只能使用當晚以前已知的情資。隔天實際的即時氣溫不能當作前一晚的輸入條件,只能採用前一晚的氣象預報。
- 釐清資料背後的真實意義:某天某項產品銷售紀錄為零,究竟是當天完全沒人想買,還是開門半小時內就原料短缺提早售罄?如果把斷貨誤當成沒有需求,模型就會學到錯誤的商業常識。
- 依時間先後切分訓練與驗證集:不可隨機打散日期來驗證時間序列。必須用過去的資料訓練模型,並拿較近期的全新日期來驗證預測能力。
- 設定基準線做對照:用最簡單的方法當作標準,例如直接參考過去三週同星期的平均銷售量。如果花費龐大資源訓練出的複雜模型表現沒有明顯超越基準線,就沒有盲目上線的必要。
常見的認知誤區
許多人誤以為導入機器學習就必須使用龐大的類神經網路或大型語言模型。事實上,對於許多中小企業、診所或校園行政流程來說,簡單的決策樹或線性模型不僅運算速度快,而且邏輯透明、容易排查錯誤。盲目追求複雜技術,往往只會增加維護成本,卻得不到實質效益。
常見問題
機器學習和人工智慧有什麼不同?
人工智慧是涵蓋範圍極廣的總稱,包含所有讓電腦展現智慧行為的技術;機器學習則是實現人工智慧的主流方法之一,專注於利用資料自我學習與調整。
小店家或中小企業適合導入機器學習嗎?
不一定。如果手邊累積的資料量不足,或是簡單的經驗法則就已經能維持良好的營運效率,通常維持現有規則即可,無須過早增加系統複雜度。
機器學習能保證預測百分之百準確嗎?
不能。機器學習是根據歷史機率推估最有可能的結果,一旦現實環境發生歷史資料中從未出現過的劇烈變化,預測就容易出現顯著偏差。
