作者：高煥堂
那麼，我們該如何把人類的直覺智慧弄進去機器（AI）呢？ 途徑有三：從專家作品中學習、採取監督式學習（即分類標籤）、以及從知識圖譜中學習。
從專家作品中學習
從人類的作品（如繪畫、音樂、文學作品、食譜、遊戲、對話、網路文章）中學習作品的形式、風格、情緒等。這些作品放到網路上，皆成為大資料（Big Data）。於是，我們就拿這些大資料來給AI學習，謂之：訓練（Training）。 例如，俗語說：「巧媳婦難為無米之炊」。也就是：巧媳婦做不來沒米的飯。有一天AI來到廚房，想從巧媳婦學習她的做飯風格。於是，巧媳婦就準備訓練數據給他學習。然後，AI也會做出（生成）香噴噴的飯。這就是生成型AI。
請思考：上述AI的訓練數據是什麼數據呢？關於「米」的數據？關於「飯」的數據？還是關於「巧媳婦做飯方法（食譜）」的數據呢？答案是：關於「飯」的數據。
採取監督式學習（即分類標註）
人類專家如何傳授直覺性知識給AI模型呢？ 最基本的做法就是：貼分類標簽，也就是做標注（Labeling）。這意味了，在訓練階段必須採取「監督式學習」模式。
以企鵝GAN為例
例如，在AIGC領域，有一個著名的GAN模型，想來生成下述兩類別（Class）企鵝圖像：
告訴GAN：類似左邊這兩隻的就是。如何告訴GAN呢？ 就貼上分類標籤（Label）：「中獎的企鵝」。GAN還需要知道：甚麼是沒中獎的企鵝，我們就告訴GAN：類似左邊這兩隻的就是。如何告訴GAN呢？ 就貼上分類標籤（Label）：「落空的企鵝」。
由於「類似」，所以訓練時需要添加噪音。於是，當GAN得知企鵝中彩票時，就會生成「類似於」左邊這兩隻的企鵝圖像。這就是AI生成的內容，簡稱：AIGC。就人類而言，是對圖像進行分類（Classification），然後貼上標籤。然而對GAN而言，它的任務是：因為「企鵝中了彩票」，所以生成「類似於」左邊這兩隻的企鵝圖像。
以Covid-19快篩檢測為例
人類專家（如醫生）們「看」到Covid-19的快篩試劑出現兩條紫紅線，就預測是「因為」受到Covid-19病毒的感染。同樣，他（她）「看」到只呈現一條紫紅線，就預測是「因為」沒受到Covid-19病毒的感染。於是，就把這項「專家直覺」知識，拿來訓練AI模型（即進行機器學習）。如下圖：
所觀察到的快篩試劑呈現圖像（一條線或兩條線），就成為X，而其原因就是Y。ML就即於統計回歸公式：Y = X*weight + bias，進行機器學習來找出最適合的 weight （常以W表示）及 bias （常以B表示）。如下：
這是二元分類模型。輸入層有2個神經元，輸出層也是2個神經元：
由專家的直覺知識，來對兩個類別進行標註。例如，Y = [0, 1]時，表示被沒有被感染（即陰性）。
反之，Y=[1, 0]時，表示有被感染（即陽性）。
人類的「專家直覺」知識中，蘊含非常珍貴的智慧：「果因推理」。也就是：眼睛看到事物表徵（果），能瞬間洞察出其原「因」。醫師就是典型的「果因推理」專家。他（她）的經驗直覺裡蘊含非常珍貴的智慧：「果因推理」。也就是：眼睛看到Patient的症狀（果），能瞬間洞察出其病「因」，然後對症下藥，藥到病除。
從知識圖譜中學習
KG知識圖譜（匯集專家直覺 ）
》 ChatGPT（生成文案，優雅對話）
》 商品服務AI推薦系統
》讓企業實踐「比客戶更懂客戶」
KG知識圖譜+GNN（Graph Neural Network）的組合自然就成了解決各類知識圖譜問題的新手段。例如： GNN 對知識圖譜進行建模，相比之前基於單獨三元組關係的推理，基於 GNN 的方法可以更好地捕捉三元組鄰域複雜而隱含的模式資訊，這種優勢對完成關係補全任務具有十分重要的作用。
GNN 本身是一種深度NN模型，與推薦系統結合之後，多層 GNN 模型可以更好地捕捉使用者與商品之間的高階協同關係。能讓企業具有「比客戶更懂客戶」的尚方寶劍。
從產業而觀之，台灣AI產業（生態）的康莊大道：KG 和 Graph Al。它將是台灣AI產業（生態）未來10~20年最具商業獲利之點。而其人機介面：數字人，也會水漲船高。任何捕捉專家直覺（智慧）的機制，都可獲利。因為AI在200年內，都缺乏果因性推理能力，它愈強大對專家直覺的需求愈大。茲說明Graph AI，如下：
傳統的機器學習和深度學習工具專門用於簡單的數據類型。就像具有相同結構和大小的圖像（Image）。Graph Data非常複雜，給現有的機器學習演算法帶來了很多挑戰。但是還有更複雜的圖，沒有固定的形式，具有可變大小的無序節點，其中節點可以有不同數量的鄰居。
現有的機器學習演算法有一個核心假設，即實例相互獨立，這也無濟於事。這對於圖形數據是錯誤的，因為每個節點都通過各種類型的鏈接與其他節點相關聯。圖神經網絡 （GNN） 是一類深度學習方法，旨在對圖描述的數據進行推理。
GNN 是可以直接應用於圖的神經網絡，並提供了一種簡單的方法來執行節點級、邊緣級和圖級預測任務。CNN 背後的核心概念引入了隱藏的卷積和池化層，以通過一組內核形式的感受野來識別空間局部特徵。
關鍵點：Graph AI是處理圖形結構的大數據，而一般的AI都是處理向量（Vector）和矩陣（Array）結構的資料（數據）。由於知識圖譜本身就是一種圖資料，因此知識圖譜+GNN 的組合自然就成瞭解決各類知識圖譜問題的新手段。
例如：GNN對知識圖譜進行建模，相比之前基於單獨三元組關係的推理，基於GNN的方法可以更好地捕捉三元組鄰域複雜而隱含的模式資訊，這種優勢對完成關係補全任務具有十分重要的作用。
圖右顯示基於GNN的方法可以更好地捕捉三元組鄰域複雜而隱含的模式資訊（資料來源）
小結
近幾年，知識圖譜在工業界聲勢日隆，在這種語境下，我們也稱知識圖譜為業務圖譜。GNN 技術對電影業務圖譜進行建模，在電影流行度預測上效果表現十分出色。如剛才所述，GNN 本身是一種深度模型，與推薦系統結合之後，多層 GNN 模型可以更好地捕捉使用者與商品之間的高階協同關係。
（責任編輯：謝嘉洵。）
近5年來，從事於AI普及化教育工作，目前擔任銘傳大學AI課程、長庚智慧醫療研究所AI課程授課老師。也擔任永春國小、東園國小、立志中學、君毅中學、永春高中等學校的AI師資培育工作。
- LoRA微調三步驟：以大語言模型MT5為例 - 2024/05/02
- 為什麼Gemma採取Decoder-Only Transformer架構呢? - 2024/04/08
- 如何從0訓練企業自用Gemma模型 - 2024/04/03
