蔡芸琤 國立臺灣大學共同教育中心助理教授

機器學習已廣泛應用於資料探勘、電腦視覺、自然語言處理、生物特徵識別、搜尋引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰略遊戲和機器人等領域，以上皆為具備高附加值、低能耗、低污染以及產業融合帶動力強等優勢的軟體產業的範疇，替地狹人稠的台灣，過去總是要在永續環境與經濟發展中二擇一的困境中找到了一條出路。

美國專利組織統計出2016年研發能力前20名者，產業界廠商占100％。其中，微軟、IBM、Google、Facebook、Sony、Oracle、Yahoo、AT&T、亞馬遜、高通、三星、英特爾、Numenta、Health Discovery、本田等知名廠商。台灣權利，產業界廠商占40％，研究機構與學術界計占60％，其中包括成大、工研院、資策會、台積電、華亞科、安克生醫、國家實驗研究院、義守大學、中央大學、台大、中華電信、鴻海、晨星、屏科大等。這些專利佈局的走向大致上落在生產管理、庫存管理、廣告行銷、投資交易、法律服務、電子購物、健康照護、物流管理、客戶服務。進一步的創新技術，布局走向新興應用產品與服務，像是家用機器人、智慧客服、智慧管家、虛擬實境、生技醫療、儲能科技、無人機、電動車等。 

台灣發展的機器學習可著重在以更有效率的方式做決策，像是生產管理、庫存管理、廣告行銷、投資交易、法律服務、電子購物、健康照護、物流管理、客戶服務等。未來所有的產業都是軟體業，每一家各領域各產業的公司都必須擁有操控機器學習的能力，以台灣傳統製造業轉型為例，機器學習的發展，可協助傳統產線從原本只是努力維持供應鏈運轉，到小量多樣的客製化生產，再到按特定時間完成訂單任務，使生產線更加擁有彈性。機器學習可為每個生產環節提供更高的預測精準度，提供了更多的相關數據，以便財務、運營和供應鏈團隊可以更好地管理工廠和需求方面的各項因素。

機器學習可以讓人類不要像機器一樣工作，一些重複性的、規律性的東西就交給機器來做。人就可以省下很多時間，把時間用在做決策，用在更需要的地方。例如：用機器預測出醫生看不到的病徵，透過自動駕駛來避免疲勞駕駛，人們可以用我們的規則來培訓機器，讓它們按人類的方法來行事。目標在透過機器學習來「提升人們日常生活品質」，是我工作動力的來源。

機器學習的研究與推動已經是現在進行式，台灣已經有很多發展得很好的單位與社群，只需要把資源聚焦，專注在實踐與執行，未來要加入的夥伴只能認清，必須挽起袖子朝實踐之路邁進。尤其是當 Google 已經公開許多機器學習的開源程式碼，只要有任何有趣的想法，請二話不說，直接想辦法做出來。【idea is cheap execution is everything】- Chris Sacca, Investor in Twitter & Uber.