​​Appen 深度解析：「機器學習十大常見問題」

探索機器學習的常見問題，了解機器學習與人工智慧的基本概念、核心原理、發展趨勢、應用場景、技術方法以及資料需求，協助您掌握 AI 技術並發掘潛在商業機會。

什麼是機器學習？

機器學習（Machine Learning） 是一種讓電腦透過資料學習的技術。透過提供資料與規則，系統可以逐步建立邏輯與判斷能力，並存取所需資料來完成特定任務。機器學習的成果通常會應用於各種形式的人工智慧（AI）系統。

簡單來說，機器學習的過程就是不斷輸入資料與訓練數據，讓系統從中擷取特徵、建立模型並產生預測或答案。隨著資料量增加與訓練次數提升，模型的準確度也會逐步改善。

正如 AI 研究者 李飛飛（Fei-Fei Li） 所說：

「儘管名稱中有『人工』二字，但人工智慧本身並沒有任何『人工』的地方。它是人類創造的技術，旨在表現得像人類並影響人類。因此，如果我們希望它在未來發揮正向作用，就必須以人為本。」

——李飛飛談「以人為本的 AI」，《紐約時報》

機器學習的運作原理是什麼？

電腦在運作時會依照一組既定規則進行計算，這些規則稱為演算法（Algorithm）。當機器學習模型開始運作時，系統通常會先接收一組初始資料進行分析與探索，這些資料稱為訓練資料（Training Data）。

在訓練過程中，電腦會從資料中辨識模式與關聯性，並依據演算法與訓練資料逐步做出判斷與決策。根據不同類型的機器學習方法，系統也可能會被設定一個需要達成的目標。當模型做出正確判斷，或在學習過程中朝著目標前進時，系統會透過回饋機制進行「獎勵」，進一步強化正確的決策方式。

當機器逐漸建立這種理解與「學習」能力後，便能透過一系列運算步驟，將新的輸入資料轉換為輸出結果。這些輸出可能包含：

• 新產生的資料
• 已標註的資料
• 預測結果或決策
• 自動化行動

理想情況下，機器學習模型能夠在幾乎不需要人工干預的情況下持續運作與學習。透過這種方式，系統逐步發展出我們所稱的人工智慧（AI）能力，而機器學習正是打造 AI 的主要方法之一。

除了機器學習之外，人工智慧的應用還包括：

• 機器人技術（Robotics）
• 語音辨識（Speech Recognition）
• 自然語言生成（Natural Language Generation, NLG）

這些技術大多都依賴機器學習作為核心基礎。

由於 AI 的應用場景非常廣泛，因此實現機器學習的方法也有很多種。不同的機器學習模型會使用不同的演算法，而訓練資料的來源與類型也可能有所不同。

為什麼機器學習近年快速發展？

近年來，機器學習受到廣泛關注並快速發展，主要與以下三個關鍵因素有關：

資料量快速成長

隨著數位化與網路服務普及，各種形式的資料持續大量產生，例如文字、圖片、影片、語音與感測器資料等。龐大的資料量為機器學習模型提供了充足的訓練資源，使模型能更準確地學習模式與進行預測。

儲存成本大幅下降

雲端技術與儲存設備的進步，使得資料儲存成本大幅降低。企業與研究機構可以更容易保存與管理大量資料，進而支持更大規模的機器學習訓練與分析。

計算能力顯著提升

近年 GPU、TPU 以及雲端運算平台的發展，使計算能力大幅提升。這讓機器學習模型能在更短時間內處理大量資料並完成複雜運算，加速了 AI 技術的發展與應用。

當然，除了上述因素外，也有其他技術進步與商業需求推動機器學習的發展。不過，資料量的成長、儲存成本的下降以及計算能力的提升，無疑是促進機器學習與人工智慧創新應用快速普及的三大關鍵動力。

機器學習的商業價值

無論是公營機構或民營企業，越來越多組織開始投資機器學習技術，因為機器學習能在多個層面提升企業能力，例如：

• 速度：更快速地取得分析結果並執行複雜運算
• 能力：能處理比以往更多的資料，並進行更深入的分析
• 智慧：透過分析過去難以解讀的資料，發掘新的洞察與機會
• 效率：以更少的人力完成更多資料分析與決策支援工作

無論企業來自哪個產業，都可能找到適合自身的機器學習應用場景。透過預期營收提升、成本降低或效率改善等指標，企業通常也能清楚評估投資機器學習所帶來的商業價值。

實際上，機器學習已被廣泛應用於多種業務情境，例如：

• 減少或自動化人工資料輸入
• 垃圾郵件偵測與過濾
• 詐欺偵測與風險管理
• 商品推薦系統

此外，機器學習也能透過預測分析，判斷設備或基礎設施何時需要維護，協助企業降低營運風險。同時，透過資料分析，企業也能更深入了解客戶行為與需求，進而提升客戶體驗與滿意度。

如果您的企業尚未開始導入機器學習，或許現在正是重新思考的時候：為什麼還沒有開始投資這項技術？

機器學習的應用有哪些？

機器學習的應用場景非常廣泛，且仍持續擴展中。以下以零售與電子商務為例，說明機器學習在實際商業場景中的常見應用。

零售與電子商務

人工智慧與機器學習正被廣泛應用於零售與電商產業，用來提升轉換率、優化客戶體驗以及提供個人化服務。

搜尋結果相關性（Search Relevance）

線上購物時，消費者無法像在實體店面一樣詢問店員商品位置，因此搜尋功能變得非常重要。

機器學習能夠分析使用者的搜尋關鍵字，理解搜尋意圖，並透過持續學習優化搜尋演算法，使搜尋結果更加準確與相關，進而提高購買轉換率。

個人化推薦（Personalization）

透過分析消費者過去的瀏覽與購買行為，機器學習可以提供個人化商品推薦或客製化搜尋結果。這不僅能提升使用者體驗，也有助於增加用戶黏著度與留存率。

客戶服務優化（Customer Service）

聊天機器人（Chatbot）可以作為虛擬購物助理，協助消費者解決問題或提供產品資訊。

就像真人客服一樣，聊天機器人也需要透過機器學習進行訓練，不僅要了解商品資訊，也需要理解使用者在網站上搜尋或描述商品時常用的語言與詞彙。

透過這些應用，機器學習能幫助零售與電商企業在競爭激烈的市場中提供更智慧化與個人化的購物體驗。

科技與金融科技

搜尋引擎、社群平台與金融科技公司都大量使用機器學習與人工智慧來開發新產品、提升服務效率並改善使用者體驗。

搜尋相關性（Search Relevance）

搜尋引擎透過機器學習分析使用者的搜尋內容與意圖，優化搜尋演算法，使搜尋結果更精準與相關。這不僅能提升使用者滿意度，也能增加平台黏著度。

個人化內容（Personalization）

透過分析使用者的瀏覽紀錄、互動行為與偏好資料，科技平台與社群媒體可以推送更符合個人興趣的內容，打造更個人化的數位體驗。

自然語言處理（NLP）

自然語言處理（Natural Language Processing, NLP）可分析語言模式，理解口語、社群媒體文字或非正式語句。這項技術常被用於情緒分析、客戶回饋分析與行銷策略制定，幫助企業更了解使用者需求。

風險管理

在金融科技領域中，反洗錢（AML）、認識你的客戶（KYC）與詐欺偵測等流程需要分析大量交易資料。機器學習可以快速發現異常模式，協助金融機構識別潛在風險並防止非法活動。

投資與決策分析

金融機構也利用機器學習演算法建立投資策略與市場分析模型，協助分析市場趨勢並優化資產配置。這能讓金融顧問將更多時間投入在客戶服務與投資策略溝通上。

智慧客服

聊天機器人（Chatbot）在金融服務中也越來越普遍。透過即時回應與自動化客服流程，能快速解決客戶問題，提升整體服務效率與客戶體驗。

汽車產業

在汽車產業中，機器學習被廣泛應用於自動駕駛技術、語音辨識系統以及車內智慧化體驗。透過大量訓練資料與實地測試，機器學習能持續優化車輛系統的準確度與使用體驗。

自動駕駛（Autonomous Driving）

自動駕駛汽車是一項高度複雜的技術，其核心運作依賴機器學習與神經網路模型。當車輛行駛時，系統會持續處理大量視覺資料，就像駕駛人透過車窗觀察道路環境一樣。

系統需要理解各種影像資訊，例如辨識行人、道路標誌、車輛或樹木等物體，並將這些資訊即時回傳至車輛 AI 系統，使模型能持續學習並做出安全決策。

語音辨識（Speech Recognition）

傳統車載系統需要駕駛人透過按鍵或觸控操作，這可能會讓駕駛分心並將視線離開道路。而語音操作介面能有效減少這種風險。

為了提供更流暢的語音互動體驗，智慧聯網汽車需要大量語音資料來訓練語音辨識模型，使系統能理解不同語言、口音與語音習慣，進而為全球使用者提供更好的車內體驗。

行為與情緒預測（Driver Behavior Prediction）

隨著語音辨識與車載攝影技術的進步，車輛系統也開始能夠分析駕駛者的行為與情緒。這是人機互動介面（Human-Machine Interface, HMI）發展的重要一步。

透過分析語音語調、表情與駕駛行為，車輛系統可以判斷駕駛者的情緒狀態。例如，當系統偵測到駕駛者可能感到壓力或挫折時，車輛可能會透過調整提示方式、語音回應或車內設定來提供更適當的回應。

政府與公共安全

政府機構也開始透過機器學習與 AI 技術，提升公共安全、國家防禦與緊急應變能力。透過安全資料服務與資料分析，相關單位能更快速地做出決策並有效協調資源。

國家防禦（Defense）

政府可利用社群媒體監測、電腦視覺技術與資料標註來分析大量資訊，協助識別潛在威脅，例如監控恐怖活動、偵測國家安全風險等。透過機器學習分析，相關機構能更早發現異常行為並採取預防措施。

緊急應變（Emergency Response）

自然災害、重大事故或協同攻擊等突發事件往往毫無預警。在危急情況下，快速且有效的應變與協調至關重要。

透過語音辨識、即時翻譯與文字資料分析等 AI 技術，救援與應變人員能更有效地與不同語言背景的受困者或救援單位溝通，提高救援效率並加速資訊傳遞。

執法應用（Law Enforcement）

在執法領域中，AI 也能協助提升資料管理與案件處理效率。例如，安全轉錄（Secure Transcription）技術可將影音資料轉換為文字紀錄，幫助執法人員從隨身攝影機影像中擷取資訊、建立官方紀錄並進行案件存檔與管理。

醫療產業

人工智慧與機器學習在醫療領域的應用正快速發展，並逐漸改變醫療服務與病患照護的方式。

預測分析（Predictive Analytics）

透過分析大量醫療資料與歷史趨勢，機器學習可以協助醫療機構進行預測分析，例如預測疫情發展、評估醫療資源需求，以及預測病患可能的治療需求，協助醫療體系更有效地規劃資源。

聊天機器人與虛擬醫療（Chatbots & Virtual Care）

聊天機器人與虛擬醫療服務能提供即時回應與初步諮詢，協助醫療機構更快速地回覆病患問題並提供基本醫療資訊。這類技術可提升服務效率，同時減輕醫療人員的工作負擔。

保險科技（Insurance Technology）

在醫療保險領域，機器學習可透過分析多種資料來源，建立更精準的風險評估與承保模型。這有助於保險公司更準確地評估風險、制定保費並優化保險產品設計。

三大機器學習方法

機器學習主要可分為三種常見的方法：監督式學習、非監督式學習與強化學習。這三種方法代表不同的學習模式，也適用於不同類型的問題與資料情境。

正如 Facebook（Meta）AI 研究主管 楊立昆（Yann LeCun） 所形容：

「大多數人類與動物的學習其實都是非監督式學習。如果把智慧比喻成一塊蛋糕，那麼非監督式學習就是蛋糕本身；監督式學習就像蛋糕上的糖霜，而強化學習則像是蛋糕上的櫻桃。我們已經知道如何製作糖霜和櫻桃，但還不知道如何真正做出蛋糕。因此，我們需要先解決非監督式學習的問題，才能更接近真正的人工智慧。」

—— Facebook AI 研究主管 楊立昆（Yann LeCun）

這三種學習方式各有其應用場景，並共同構成現代機器學習技術的重要基礎。

監督式學習

監督式學習（Supervised Learning）是一種透過範例或訓練資料建立預測模型的機器學習方法。訓練資料通常包含輸入變數（input）以及對應的正確輸出（output）。演算法的目標是分析這些資料，建立一個能夠將輸入資料正確映射到輸出結果的函數。

當模型完成訓練後，便能將學習到的規則應用在新的資料上，進行預測或分類。

監督式學習常見的兩種類型包括：

分類（Classification）

分類是最容易理解的監督式學習應用之一。模型會分析資料，並判斷該資料應屬於哪一個類別。

例如，某個機器學習模型的任務是判斷一張圖片是否為馬。這是一種「是或否」的判斷，也就是二元分類（Binary Classification）。當系統透過大量「馬的圖片」與「非馬的圖片」進行訓練後，模型就能學習辨識馬的特徵，並在看到新的圖片時判斷其中是否包含馬。

回歸（Regression）

回歸模型則不同於分類。它不是將資料分配到某個類別，而是預測一個數值結果。

例如，如果模型在訓練資料中學習到「3 + 5 = 8」的規則，那麼在看到新的輸入資料時，例如「4 和 6」，模型便可能預測輸出為 10。這類方法通常透過回歸分析來預測數值型結果。

整體而言，監督式學習是一種任務導向（task-oriented）的機器學習方式，其目標通常可以理解為：「請幫我找到某個特定結果或預測目標。」

半監督式學習

半監督式學習（Semi-supervised Learning）是一種結合監督式學習與非監督式學習的混合方法。採用半監督式學習的演算法會同時使用部分已標註資料與大量未標註資料進行訓練。

在許多實際應用中，這種方法特別具有實用價值。原因在於資料標註往往需要資料科學家或資料工程師投入大量時間與成本。此外，在某些情況下，資料規模過於龐大，使得為所有資料進行標註變得相當困難。因此，透過結合已標註與未標註資料的方式，可以有效降低標註成本並提升模型學習效率。

採用混合式方法的另一個原因，是為了降低資料標註過程中可能產生的人為偏誤（Human Bias）。

正如福爾摩斯在《福爾摩斯探案》中所說：

「在沒有資料之前就建立理論，是最大的錯誤。人們往往會不自覺地扭曲事實，使其符合既有理論，而不是讓理論符合事實。」

—— 夏洛克·福爾摩斯

透過半監督式學習，模型可以利用少量已標註資料作為指引，加速對未標註資料的理解與學習。在分析未標註資料的過程中，也可能發現新的模式與洞察，進而產生過去未曾預期的結果。

因此，在許多實際 AI 專案中，半監督式學習常被視為兼顧效率與成本的實務方法。

強化學習

強化學習（Reinforcement Learning） 是一種較為抽象的機器學習方法。在這種學習模式中，系統通常被稱為學習代理（Agent），會在特定環境中透過反覆的試錯（Trial and Error）來學習最佳行為。

在強化學習中，系統會根據預先設定的獎勵機制（Reward）來決定採取哪些行動，以提升整體表現。這個過程主要包含兩個核心概念：

• 探索（Exploration）：嘗試不同的行動，以了解環境並尋找可能的最佳策略。
• 利用（Exploitation）：運用已學習到的知識，選擇最可能帶來高獎勵的行動。

透過持續在環境中探索與利用，並在機器學習演算法的支持下，學習代理會逐漸累積足夠的經驗與知識，使其決策能力逐步提升，最終展現接近人類水準的人工智慧能力。

機器人技術是強化學習的重要應用之一。例如在工廠自動化環境中，機器人需要透過強化學習不斷適應工作環境，逐步降低錯誤率，並學習完成各種接近人類操作的任務與動作。

機器學習需要什麼樣的資料？

「機器學習模型的好壞，取決於用來訓練它的資料。」

—— Daniel Tunkelang（曾在 Endeca、Google 與 LinkedIn 領導機器學習專案）

機器學習專案要成功運作，充足且高品質的資料是不可或缺的基礎。關於資料在機器學習中的重要性，相關研究與討論早已相當豐富。

正如 Tunkelang 在《關於機器學習你必須知道的 10 件事》中所指出：

「即使沒有非常複雜的演算法，機器學習仍然可以運作；但如果沒有好的資料，就無法建立有效的機器學習系統。」

那麼，機器學習究竟需要什麼樣的資料呢？答案其實取決於具體應用情境與模型類型。不同的機器學習任務，可能需要不同種類的資料，例如結構化資料、影像資料、語音資料或文字資料等。

結構化資料與非結構化資料

結構化資料（Structured Data）

結構化資料指的是具有明確格式與邏輯結構的資料，通常容易被電腦系統讀取與理解。這類資料常見於各種企業系統與資料庫中，例如：

• 從 ERP 或 CRM 系統中擷取的交易資料
• 感測器產生的時間戳記與動作紀錄
• 試算表（如 Excel）中的人工輸入資料

由於結構化資料具有清楚的欄位與格式，因此特別適合用於監督式學習（Supervised Learning）。即使資料量龐大，電腦系統也能快速處理並進行分析。

非結構化資料（Unstructured Data）

許多產業研究指出，全球超過 80% 的資料屬於非結構化資料，而且數量仍在持續以指數型成長。這類資料沒有固定格式，因此處理與分析難度相對較高。

非結構化資料在日常生活與企業應用中十分普遍，例如：

人類產生的非結構化資料：

• Word 文件與其他文字檔
• 簡報檔案
• 影片與影像
• 音訊資料
• 社群媒體貼文

機器產生的非結構化資料：

• 監視器影像
• 衛星影像
• 各類科學研究資料

透過監督式學習與強化學習等機器學習技術，企業可以從大量非結構化資料中萃取洞察，進一步完成更多分析任務並創造新的應用價值。

機器學習需要多少資料？

簡單來說：很多資料。

即使是最先進的演算法，如果資料量不足，也很難產生準確且可靠的結果。

正如 麥肯錫全球研究院（McKinsey Global Institute） 在《AI 前沿觀察》報告中指出：

「AI 技術需要持續重新訓練模型，以因應不斷變化的環境條件，因此訓練資料也必須定期更新。在約三分之一的情況下，模型至少需要每月更新一次，而在接近四分之一的情況下，模型甚至需要每天更新。」

其中一個重要原因是：資料量越大，模型的準確度通常越高。

機器學習模型的核心目標之一，是讓電腦理解高度多變的資料模式。因此，若資料不足，模型就難以學習完整的規律。

以語音辨識（Speech Recognition）為例，不同使用者之間存在許多差異，例如：

• 性別
• 年齡
• 口音與方言
• 語速與語調

這些差異會使語音資料呈現極大的多樣性。

部分專家指出，一個語音辨識模型通常需要至少 10,000 小時的語音資料，才能達到中等準確度的效果。也有研究認為，雖然實際需求會依模型複雜度與應用場景而不同，但多數機器學習模型至少需要約 100,000 個資料樣本（instances）才能開始建立有效的模型。

資料「品質」是否非常重要？

答案是：非常重要，而且往往比資料數量更重要。

正如電腦科學家、Google 前研究總監 Peter Norvig 所說：

「更多的資料通常優於更聰明的演算法，但品質仍然勝過數量。」

造成資料品質不佳的原因可能很多，其中不少與人工因素有關，例如：

• 標註不準確
• 資料具有誤導性
• 資料不完整
• 標註標準不一致

在這些情況下，就需要進行資料清理或資料準備等處理。

例如，如果模型的任務是資料分類，那麼訓練資料必須先被正確標註，模型才能學習到正確的分類規則。

有時候，問題也可能出現在資料格式。以影像資料為例，在模型訓練前可能需要先進行：

• 圖片尺寸統一
• 格式轉換
• 向量化處理

這樣模型才能有效分析相同長度的特徵向量。

事實上，所有資料在使用前都需要進行一定程度的清理與處理。許多專家指出，在機器學習專案中，資料工作不僅僅是常見的 ETL（Extract、Transform、Load） 流程。

即使完成 ETL，為了讓資料真正符合資料科學與模型訓練需求，資料清理與整理的工作量平均仍可能占整個專案約 80% 的時間與資源。

機器學習常見問題延伸閱讀

隨著機器學習的應用場景持續增加，企業與開發團隊也需要不斷更新知識，持續優化模型並打造更優質的產品與服務。

以下是幾個可進一步了解機器學習與 AI 發展的重要資源：

• 麥肯錫全球研究院：AI 前沿觀察（AI Frontier Notes）
• AI 與機器學習全景報告
• 機器學習需要多少資料？

機器學習術語表

人工智慧（AI）

指機器能夠自主運作並完成通常需要人類智慧才能完成的任務與活動的能力。

聊天機器人（Chatbot）

聊天機器人是一種虛擬助理，能模擬人類對話與使用者互動。通常透過網際網路提供服務，並嵌入於網站或行動應用程式中。

資料分類（Data Classification）

資料分類是將具有相似特徵的資料分配到特定類別的過程，可由人或機器完成。例如依照日期、來源或類型進行分類。其目的是讓資料更容易理解、分析與使用。

資料標註（Data Labeling）

資料標註通常由人工完成，是為資料新增標籤的過程，讓機器學習模型能夠識別目標並進行訓練，常用於監督式學習。

機器學習（Machine Learning）

機器學習是教導電腦如何從資料中學習的過程。透過演算法與資料，讓系統建立邏輯並從資料中發現模式，進而完成特定任務。

強化學習（Reinforcement Learning）

在強化學習中，機器（或稱學習代理）會取得資料與一組探索規則，並透過獎勵機制判斷行為表現。系統會在環境中不斷試錯，逐步學習最有效率的行動策略，以達成既定目標。

結構化資料（Structured Data）

全球約有 20% 的資料屬於結構化資料。這類資料以清楚的結構與格式進行組織，方便電腦分析與解讀，常見於關聯式資料庫、試算表，以及企業系統（如 CRM、ERP）與金融應用中。

監督式學習（Supervised Learning）

監督式學習是目前最常見且較容易理解的機器學習方法。在此模式中，系統會接收包含輸入資料與已標記目標（輸出）的資料集，並學習如何將輸入轉換為正確輸出。經過訓練後，模型即可在新的輸入資料上自行預測結果。

訓練資料（Training Data）

訓練資料是機器學習專案中用來訓練模型的資料，協助系統學習任務相關的規則、模式與行為。當模型完成訓練後，通常會使用測試資料與驗證資料進行評估，以確認模型表現是否達到預期。

非結構化資料（Unstructured Data）

全球約有 80% 的資料屬於非結構化資料，其格式不利於直接分析或解讀，例如文字訊息、聊天紀錄、音訊錄音、影片與社群媒體內容等。

非監督式學習（Unsupervised Learning）

在非監督式學習中，輸入資料通常未被標註。模型的任務是從資料中找出潛在的關聯、模式或結構，並將這些洞察轉化為分析結果或應用。