深度學習
Deep Learning
什麼是深度學習?
- 多層神經網路,自行學習特徵
- 機器學習中強大的分支
- 現代 AI 革命的引擎
深度學習真正改變的,不是準確率的數字,而是專案推進的順序。過去,領域專家要花超過一半的期程,把「看哪些數值才能判定不良」整理成規則;規則一旦出錯,模型也會跟著出錯。在深度學習中,這個位置改由資料蒐集與標籤品質管理來取代。因此預算項目也從顧問費移向GPU 使用費與標註人力成本;對現場負責人的能力要求,也從「用語言把規則說清楚的能力」,轉向「蒐集可用資料、定義標準的能力」。
並非所有問題都適合深度學習。在影像、語音、自然語言等難以用文字定義特徵的非結構化資料上,深度學習優勢明顯;但在 Excel 形式的表格資料上,例如客戶流失預測或信用評估,以提升法(Boosting)為代表的傳統 機器學習往往仍更快速也更準確。資料規模也是一項條件。若只有數百到數千筆就把層數堆深,最後只會死記硬背而過度擬合,這時較務實的選擇,是引入大型預訓練模型,再以自家資料稍作調整的遷移學習(微調)。訓練成本是一次性的一大筆,但推論成本會每月持續發生,兩者也要分開看。
現場最常破功的地方,就是「深度學習自然會自己學」的期待。若標籤混亂,模型就會連這份混亂一併學走;在不良率 2% 的資料中,就算全部猜「正常」,準確率也有 98%。更常見的意外是PoC 環境與現場條件的落差。在實驗室燈光與相機下跑出 97% 的檢測模型,只因產線燈具更換一次,就跌到 30% 多的情況並不少見。再加上模型無法用文字說明判斷依據,因此在授信審查或人事評核等負有說明義務的領域,必須先在合約中明定再訓練週期與人員最終確認流程,事後才收拾得了。
源自神經網路研究,2006 年傑佛瑞·辛頓(Geoffrey Hinton)等人的研究奠定基礎,2010 年代則藉由 GPU 與大數據真正起飛。
以假設案例來看。員工 320 人規模的汽車零件製造商 A 公司,外觀檢測一直由 12 名檢驗員分三班負責。每位檢驗員的判定標準不同,同一個產品在 A 班判為合格、在 B 班卻判為不良,客戶流出的客訴每月持續 4 件。他們以 6 個月為期,導入深度學習外觀檢測。
- 品質組金部長反問:"我們連標準都說不出來,AI 會懂嗎?"負責的高階主管於是提議,先從判定結果分歧的產品開始收集,整理出三個月份的檢驗影像共 4 萬張。
- 3 名資深檢驗員花兩週為 6,000 張不良影像標記了刮痕、壓痕、異物三類,其中三人判定不一致的 800 張則排除於學習之外,另列為標準統一會議的議題。
- AI 負責人朴課長沒有從零開始訓練,而是以自家資料微調公開的預訓練模型,用 2 張 GPU 在三天內就確認了 PoC 準確率 96.8%。
- 上線第一週漏檢數突然增加,原因是產線燈光更換。朴課長在更換後的燈光下重新拍攝 5,000 張影像並重新訓練,並將每月一次重新訓練訂為營運規則,寫入文件。
- 6 個月後,流出客訴從每月 4 件降到 0.5 件,每件產品的檢測時間也從 8 秒縮短為 2 秒。12 名檢驗員中的 7 人則轉任最終判定與設備保養工作。
金鍾赫
Ara Lim