人工神經網路
Neural Network
什麼是人工神經網路?
- 模仿大腦神經元的 AI 基本結構
- 逐層學習模式
- 深度學習·生成式 AI 的基礎
人工神經網路真正改變的,是開發者工作的性質。過去是由人工一條一條寫入條件式,例如「這個像素夠暗就是不良」;使用神經網路後,則是把附有標準答案的資料收集起來餵給它,讓機器自己建立判別規則。因此專案的關鍵從邏輯設計轉移到資料取得與標籤品質。公司內常聽到「找一位很會 AI 的開發者就好了吧」這種說法,之所以常常落空,原因就在這裡。真正拖慢進度的,其實是蒐集資料與貼標籤的工作。
結構分為輸入層、隱藏層與輸出層,隱藏層疊了好幾層就稱為深度學習。依處理的資料不同,會分成不同系列:影像用 CNN,語音或需求資料等有順序的數值用 RNN·LSTM,語言則用 Transformer 系列。規模差異也很大:手寫數字分類器只需數萬個權重即可,大型語言模型則高達數千億個。機器學習與神經網路並不是同一回事,這點也必須說明。決策樹與迴歸分析同樣是正統的機器學習,而手上的資料只有數百筆時,提升法(boosting)系列往往比神經網路更準確。
最常見的誤解是以為神經網路會像人一樣「理解」。神經網路只是沿著學習資料中所含的分布運作,因此若只用夜間照明拍攝的影像來學習,到白天產線上的表現就會明顯下滑。常見的情況是用正常影像佔 95% 的資料來訓練,然後回報「準確率 95%」,但就算全部判定為正常,也會得到這個數字。若不分開檢視不良檢出率與誤判率,就會在未經驗證的情況下上線,導致漏檢的不良品原封不動流出,責任歸屬也跟著模糊。還要考量到它難以說明「為何做出那樣的判斷」這一點,最好至少在數個月內保留由人員再次確認的步驟,會比較安全。
始於 1943 年麥卡洛克(McCulloch)與皮茨(Pitts)的人工神經元模型,經 1958 年的感知器、1980 年代的反向傳播演算法,到 2010 年代開花結果為深度學習。
我們以假設案例來看。汽車零組件製造商 A 公司,全體員工 420 名,年營收 KRW 90,000,000,000 (≈ US$67,362,200)。塗裝表面外觀檢驗由 3 名檢驗員每天以肉眼檢視 1 萬 2,000 件,結果近 3 個月來,客戶端退回的流出不良品共出現 27 件。品保團隊於是啟動為期 6 個月的神經網路檢驗試行計畫。
- 品質保證組的金組長檢視了 27 筆退貨紀錄,發現其中 19 筆出自夜班,並在高階主管會議上提出結論:「問題不在於 A 公司的眼睛不好,而是凌晨 3 點人眼本來就看不清楚」。
- 生產技術組用產線相機蒐集了 6 萬張影像,但不良影像只有 800 張。資料負責人李課長提出警告:如果正常影像佔多數,就算全部判定為正常也能拿到 98 分。
- 花了 3 週另外重新拍攝不良品,加上旋轉、亮度變化,將不良影像擴增到 4,200 張;接著在公開的 CNN 預訓練模型上套用遷移學習,只用一台 GPU 在兩天內就產出第一版模型。
- 驗證資料中達到 96%,但一接上實際產線,在下午照明改變的時段就掉到 82%,於是將檢測工位的照明固定,並在該條件下重新訓練。
- 6 個月後,流出不良品從每月 9 件降為 2 件,複檢作業時間從每天 4 小時降為 50 分鐘,3 名檢驗員中有 2 名重新調派至組裝製程。
金鍾赫
朴雪英