蔡炎龍：人工智慧最難是問出好問題，專家的決策能力更重要

戴著眼鏡，有著咪咪笑眼的蔡炎龍教授，在他的課程簡報上，總可以看到他繪製的可愛人物圖卡，因而被學生戲稱是「被教授耽誤的漫畫家」。蔡炎龍說，會想要在簡報上放上這些可愛幽默的圖案，其實是想利用較為輕鬆好理解的方式，降低學習人工智慧的門檻。

為了讓更多學生可以了解人工智慧的應用與概念，蔡炎龍也與傳播學院副教授陳宜秀合開一門「設計思考與人工智慧」的課程。這堂課並不限制只有資工背景的學生選修，反而鼓勵各個科系的學生參與，透過這堂課學習如何利用人工智慧解決實際問題。蔡炎龍提到，會想開設這一門課的原因是，當前有許多科系或產業都會導入AI應用，加上許多非程式背景學生也會參加校外的AI競賽，雖然藉由優異的簡報能力，比賽成績都不錯，但對人工智慧的認識並不全面。因此，他才會想開設這樣一堂結合設計思考與人工智慧的課程，讓學生從問題意識出發，在過程中逐步了解程式語言的邏輯，以及人工智慧的可行性與侷限，慢慢學會問對問題及找到最適當的解法。

蔡炎龍說，政大的學生畢業之後，即使不是工程師，也可能會是專案經理或是中高階主管，若能在這堂課了解程式的邏輯，對於日後與工程師的溝通勢必有很大的幫助。

老闆才是問問題的關鍵人物 必須建立共通的溝通語言

「人工智慧就像函數，」蔡炎龍解釋，函數是2個集合X、Y間的對應關係，也就是讓所有的問題（Ｘ）能對應到唯一的答案（Ｙ）。因此，我們想利用AI解決問題時，必須想清楚要輸入電腦的資料，以及輸出的答案是什麼。他說，最重要的就是問問題，也就是必須化成函數形式的提問，而不是「如何用AI提升業績？」

這種發散式的問題，工程師無法從提問中判斷要建立什麼模型。我們可以透過不同的問法，或是不同方式切入提問，但要「問得好」就會需要具備專業領域知識，而最適合提問的人就是老闆，前提是老闆得先擁有人工智慧的基礎知識。

提問的過程中，可能還會遇到一些考驗，例如：不能問的問題或是資料無法搜集，導致無法直接提問，需要旁敲側擊的狀況。蔡炎龍笑說，所以老闆雖然不用會寫程式，但需要理解AI的概念，才能理解工程師是怎麼解決問題的。

蔡炎龍補充，問題的發想與收斂都需要團隊成員的集思廣益，透過不同的專業見解，以及實務上的經驗討論適合的問題。他建議，團隊可以試著從多種角度提出幾個不同的問題，避免最後才發現問錯問題或其他原因導致專案無法進行的狀況發生。

準確率越高越好嗎？專業專家的決策更重要

當團隊成員都具有AI知識的時候，不僅可以透過討論聚焦問題，也可以一起檢視所問的問題，在目前階段是否太難或太有挑戰性，避免一開始就選擇了大問題，最後卻做不出來而產生挫折。他建議，如果問題太大，在不偏離最終目標的方向下，可以先設立幾個小問題，再一步步的解決這些小問題。

至於如何判斷問題是大或小，簡單或困難？蔡炎龍認為，最重要的準則是訓練資料是否收集得夠多的訓練資料；再來則是人類專家需要判斷，這個問題是不是機器可以學得會。例如，可不可以請AI預測某一個日期的收盤價？雖然這是正確的函數形式，但對電腦來說，日期所能提供的資訊量太少，因此得到的答案也會不太準。

大部分的人都認為，人工智慧預測的準確率應該要越高越好。但是，蔡炎龍說：「不一定。」準確率的好壞判定，其實是個專業的問題，應該要從準確率是否提供了實務上有用的幫助？且應該交由該領域的專業人士來判定。他舉例，假設利用AI進行信用卡交易盜刷監測，準確率高雖然可以抓到更多的盜刷事件，但也有可能將許其他正常消費誤判為盜刷並示警，影響顧客消費的心情。因此，到底是即使擾民也不願錯放盜刷，或是降低準確率也降低擾民的可能？該如何調整模型的表現，就考驗著主事者的決策能力。

為幫助人類決策而生的人工智慧

雖然，人類始終以做出像人類的AI作為終極目標，但就目前的技術發展來看，近幾年要達到這個目標尚不太可能。但在這個目標下，有幾個技術趨勢值得注意，第一個是強化學習，蔡炎龍說，因為我們很難把所有的規則告訴電腦，透過強化學習，某個程度就是讓電腦可以自己學習。

人類的智慧與現在的人工智慧最大的差別是什麼？我們可以看到，以圖形辨識為例，人類可以僅在看過幾張圖片之後就能辨認物品，但人工智慧卻需要數千張的圖片才能訓練出辨識能力。因此，目前也有一些研究關注於如何運用少量資料進行訓練，而這也是未來產業十分需要的應用，畢竟不是每個產業都能擁有大量的數據。

隨著人工智慧技術的進步，小從個人理財的金融選股，大至工廠營運的流程自動化，機器能幫人類處理的事情也越來越多，許多人以為有了AI後，一切事物都能自動完成。不過，蔡炎龍提醒：「並非如此，人要做的事情還很多，只不過有了更多可以幫助決策的工具，管理者的決策能力還是很重要。」