人工智能是學(xué)習(xí)的尚方寶劍還是“石中劍”？
過(guò)去，人們?cè)噲D通過(guò)分析學(xué)生的學(xué)習(xí)行為數(shù)據(jù)，給予其個(gè)性化的學(xué)習(xí)指導(dǎo)。但是，由于數(shù)據(jù)搜集技術(shù)的局限性，導(dǎo)致數(shù)據(jù)的指導(dǎo)意義不夠準(zhǔn)確，商業(yè)化應(yīng)用產(chǎn)值低。
近年來(lái)，隨著技術(shù)的進(jìn)步，以及資本市場(chǎng)的關(guān)注，教育科技產(chǎn)品呈現(xiàn)井噴式爆發(fā)，許多學(xué)習(xí)過(guò)程得以數(shù)字化，數(shù)據(jù)搜集變得更加簡(jiǎn)單。
大數(shù)據(jù)（BigData）爆炸成長(zhǎng)成為機(jī)器學(xué)習(xí)的養(yǎng)分。機(jī)器學(xué)習(xí)能獲得充分的訓(xùn)練數(shù)據(jù)（trainingdata）與計(jì)算效能。人工智能產(chǎn)業(yè)（ArtificialIntelligence，AI）經(jīng)過(guò)一甲子的起落，庫(kù)卡機(jī)器人何服電機(jī)維修，終于因技術(shù)條件到位，開(kāi)始突飛猛進(jìn)。但是，單純掌握某種數(shù)據(jù)，不能實(shí)現(xiàn)功能上的聯(lián)動(dòng)和數(shù)據(jù)共享，這種信息孤島現(xiàn)象會(huì)成為人工智能發(fā)揮的最大阻礙。
什么是機(jī)器學(xué)習(xí)？
機(jī)器學(xué)習(xí)（MachineLearning）是人工智能的子領(lǐng)域。而常聽(tīng)到的深度學(xué)習(xí)（DeepLearning）則是機(jī)器學(xué)習(xí)中的一支。
人工智能的范疇，涵蓋了所有嘗試以電腦去模仿人腦處理信息的能力。例如：以電路設(shè)計(jì)或算法來(lái)模仿人腦神經(jīng)元網(wǎng)絡(luò)的運(yùn)作；以程序模擬彼此互連的知識(shí)概念，如Google搜尋引擎的核心知識(shí)圖譜（KnowledgeGraph）；以及，讓電腦能理解人類語(yǔ)言的自然語(yǔ)言處理技術(shù)（NaturalLanguageProcessing）等，都屬于人工智能的范疇。模仿人腦思考能力的人工智能到目前為止，不算完全成功；倒是機(jī)器學(xué)習(xí)技術(shù)，因?yàn)樯鲜鲈�，達(dá)到博聞強(qiáng)記，神速運(yùn)算的效果，而異軍突起。
機(jī)器學(xué)習(xí)大量使用統(tǒng)計(jì)的方法與推論，建立預(yù)測(cè)能力，讓電腦或人類可以有效地即時(shí)采取行動(dòng)。機(jī)器學(xué)習(xí)的核心，在于電腦能從收到的資料中學(xué)習(xí)，持續(xù)提升達(dá)成預(yù)設(shè)目標(biāo)的能力（例如，專門推薦餐廳的應(yīng)用），而不需依賴開(kāi)發(fā)者不斷下發(fā)指令。
今天，機(jī)器學(xué)習(xí)技術(shù)已經(jīng)被廣泛應(yīng)用于各產(chǎn)業(yè)。以下是各種可能的能力，例如：購(gòu)物網(wǎng)站根據(jù)使用者瀏覽行為與歷史紀(jì)錄，動(dòng)態(tài)調(diào)整推薦商品；零售商店根據(jù)氣候、季節(jié)、日期與地理位置等，計(jì)算各商品最佳定價(jià)；還有，人臉或圖片辨識(shí)、手寫(xiě)輸入辨識(shí)、語(yǔ)音辨識(shí)、自動(dòng)過(guò)濾垃圾郵件、自動(dòng)偵測(cè)信用卡盜刷、幫醫(yī)生判讀資料等。機(jī)器學(xué)習(xí)早已被廣泛用在我們生活中，甚至你可能曾與人工智能客服交手過(guò)而不知道。
最引人關(guān)注的代表性事件包括AlphaGo戰(zhàn)勝世界圍棋冠軍、自動(dòng)駕駛汽車上路、IBMWatson用于開(kāi)發(fā)智能語(yǔ)音助理等。
如果將機(jī)器學(xué)習(xí)用在學(xué)習(xí)上，又有哪些可能呢？林軒田教授團(tuán)隊(duì)2010年贏得KDDCup冠軍，題目是根據(jù)3000名學(xué)生回答數(shù)學(xué)題的900萬(wàn)條記錄，預(yù)測(cè)個(gè)別學(xué)生是否能答對(duì)特定題目。這是一個(gè)容易理解的例子，KUKA機(jī)器人示教器維修，也是一個(gè)非常清楚定義的問(wèn)題。
人工智能成為熱門話題，一般人以此用語(yǔ)統(tǒng)稱，并不清楚其中各領(lǐng)域本質(zhì)上的差異。組織主管看到別人揮著這把尚方寶劍，媒體文章說(shuō)著：下一個(gè)十年的絕勝點(diǎn)在于掌握如何善用人工智能，KUKA機(jī)器人維修，內(nèi)心多少有焦慮，希望就像電影里一樣，一朝搶到尚方寶劍，就立于不敗之地。教育培訓(xùn)科技產(chǎn)業(yè)人士對(duì)人工智能的期許，情形類似。
現(xiàn)今人工智能已逐漸像基礎(chǔ)建設(shè)（例如：電力，水）一樣可以接取使用，所以，許多人認(rèn)為以上的期待并不遙遠(yuǎn)。沒(méi)錯(cuò)，許多機(jī)器學(xué)習(xí)的計(jì)算能力已經(jīng)透過(guò)程序接口（API）提供出來(lái)，例如：IBM的Watson、谷歌、微軟、阿里云都有提供這類接口服務(wù)。
人工智能是尚方寶劍還是石中劍？
可惜現(xiàn)實(shí)世界是個(gè)復(fù)雜的系統(tǒng)，這不是plug-and-play（即插即用）。
第一，如果你還沒(méi)有明確定義的問(wèn)題，人工智能對(duì)你是沒(méi)用的。對(duì)這點(diǎn)事實(shí)，人類應(yīng)該感到慶幸（不會(huì)被取代），機(jī)器人只能解決我們定義好而且適當(dāng)建模的問(wèn)題。各種算法就像用在不同場(chǎng)景的各種單一功能工具，依靠人類對(duì)關(guān)注的系統(tǒng)建立模型后，選擇適當(dāng)工具用在適當(dāng)?shù)沫h(huán)節(jié)，并需要實(shí)際數(shù)據(jù)來(lái)訓(xùn)練模型，調(diào)校與優(yōu)化參數(shù)。數(shù)據(jù)越多，人工智能表現(xiàn)越好。有時(shí)因?yàn)榍榫郴蚴褂谜叩幕A(chǔ)不同，可能需重新訓(xùn)練模型。
第二，如果你沒(méi)有（1）正確結(jié)構(gòu)化（2）乾凈（3）足夠的--數(shù)據(jù)（Data），幻想接上人工智能就會(huì)有神奇的效果，那是不可能的。
不準(zhǔn)確的數(shù)據(jù)只會(huì)帶來(lái)誤判，資料科學(xué)家都知道整理資料經(jīng)常花掉80%的時(shí)間，結(jié)構(gòu)化的資料是為分析而設(shè)計(jì)過(guò)的資料格式，節(jié)省清理與匯整資料的時(shí)間，也與模型對(duì)接。模型要準(zhǔn)，需要越多資料越好，所謂足夠的資料，根據(jù)你定義的問(wèn)題范圍大小而定。
自適應(yīng)技術(shù)在美國(guó)已逐漸導(dǎo)入各學(xué)習(xí)系統(tǒng)，有些正式評(píng)量也被采用，但為何還會(huì)出現(xiàn)成效不彰的反面案例呢？像所有工程系統(tǒng)一樣，這些系統(tǒng)設(shè)計(jì)上有許多因子與參數(shù)，因各自設(shè)定不同，應(yīng)用時(shí)最好能視需求讓使用者調(diào)整部分參數(shù)。但在實(shí)際應(yīng)用過(guò)程中，并非都有這種選項(xiàng)，結(jié)果不同系統(tǒng)效能自然相異。國(guó)外在學(xué)習(xí)場(chǎng)景導(dǎo)入這種系統(tǒng)，是經(jīng)過(guò)好幾年與教師密切溝通合作，才得以成功。另外，其應(yīng)用場(chǎng)景需將內(nèi)容放進(jìn)該系統(tǒng)，如果學(xué)習(xí)發(fā)生在系統(tǒng)之外，則系統(tǒng)擁有的資料不夠，效能當(dāng)然大打折扣。
何謂足夠的資料（數(shù)據(jù)）？
學(xué)習(xí)的趨勢(shì)持續(xù)走向分散化、多元化、去中心化，一個(gè)系統(tǒng)不可能完全掌握學(xué)習(xí)者的足夠資料，這些發(fā)生在多元應(yīng)用里的學(xué)習(xí)經(jīng)驗(yàn)，需要像ExperienceAPI（xAPI）接取多重資料流，實(shí)時(shí)匯整，才能解決信息孤島（DataSilos）問(wèn)題。
另一個(gè)"足夠"的層面是行為數(shù)據(jù)采集的維度，例如：做練習(xí)題，只有記錄答對(duì)或答錯(cuò)，機(jī)器學(xué)習(xí)可以推測(cè)的范圍極為有限（巧婦難為無(wú)米之炊）；但是如果記錄了答題花費(fèi)的時(shí)間、嘗試次數(shù)，那么機(jī)器可以知道這題對(duì)學(xué)習(xí)者是偏難或偏易，或他是不是猜對(duì)的，再據(jù)此推送適合該學(xué)生的題目（題目的難度標(biāo)注或統(tǒng)計(jì)是另一個(gè)議題）；如果題目有按需給出提示，則做題者是否使用提示，揭露了不同意義；還有，如果知道答題前發(fā)生的相關(guān)學(xué)習(xí)行為，則給機(jī)器提供了更好的建議根據(jù)；如果機(jī)器模型累積了過(guò)去大量成功學(xué)習(xí)者的路徑，與當(dāng)事者的過(guò)去記錄進(jìn)行對(duì)比，則可以形成絕佳建議根據(jù)；最后，如果有記錄答題是在課堂上，與同學(xué)合作，在搭公車時(shí)，或在家時(shí)間發(fā)生，這些維度的數(shù)據(jù)都可以被用到。
xAPI正是這樣的工具，讓我們采集豐富維度的行為資料，依據(jù)分析需求來(lái)設(shè)計(jì)數(shù)據(jù)結(jié)構(gòu)。只要是數(shù)字系統(tǒng)，都可埋入xAPI進(jìn)行行為數(shù)據(jù)采集，并不限于學(xué)習(xí)應(yīng)用。
xAPI的創(chuàng)新之處在于建立了獨(dú)立于應(yīng)用之外的數(shù)據(jù)層，用統(tǒng)一語(yǔ)言打通應(yīng)用之間的信息壁壘。這個(gè)標(biāo)準(zhǔn)數(shù)據(jù)層不但人可讀懂，機(jī)器也可讀懂，所以機(jī)器能夠自行推理。xAPI基于語(yǔ)義網(wǎng)技術(shù)（SemanticWebTechnology，也稱Web3.0）–這是萬(wàn)維網(wǎng)之父TimBerners-Lee為將來(lái)萬(wàn)物互聯(lián)環(huán)境智能化的愿景所主張之關(guān)鍵技術(shù)，現(xiàn)在工業(yè)4.0也是基于這種語(yǔ)義技術(shù)。未來(lái)，機(jī)器可以從群眾與內(nèi)容的互動(dòng)歷程（也是群眾智慧），自動(dòng)萃取語(yǔ)義網(wǎng)連結(jié)的內(nèi)容、學(xué)習(xí)路徑、相關(guān)的人推薦給適合的人，xAPI以Key-Value型態(tài)攜帶的情境、結(jié)果、環(huán)境、時(shí)間點(diǎn)等數(shù)據(jù)都可放進(jìn)算法中。
xAPI結(jié)合機(jī)器學(xué)習(xí)的應(yīng)用案例
從下舉幾個(gè)使用xAPI進(jìn)行行為數(shù)據(jù)采集，結(jié)合機(jī)器學(xué)習(xí)的案例。雖然不是直接的學(xué)習(xí)案例，但原理完全可以用在學(xué)習(xí)訓(xùn)練上。
改進(jìn)網(wǎng)頁(yè)布局與行銷體驗(yàn)