發展已超過半世紀的人工智慧，近年來在教育、金融、製造、零售等產業，皆有不同創新發展，接下來正邁向普及化。Google雲端企業客戶經理田哲禹指出，從Google雲端人工智慧來看，運算、演算法、數據、人才，可說是實作上不可或缺的四大要項。
以搜尋引擎服務起家的Google，本就已掌握龐大數據，藉此在分析技術方面累積厚實的經驗，近年來提供的雲端運算服務，即是把經驗轉換成為實用的工具，讓用戶得以輕易地落實人工智慧與機器學習的應用。
欲建立機器學習的模型時，須應用大量運算資源，對此Google所提供的雲端運算服務，除了採用CPU、GPU執行，甚至亦搭配自主研發的專屬晶片TPU（Tensor Processing Unit），來加速執行機器學習演算法。
典型的案例即為Shazam音樂辨識服務，只要取得一段音樂，即可基於機器學習查詢。田哲禹說明，原本Shazam並非基於Google雲端運算服務實作，必須每天調整變更索引（Index）值，讓使用者透過手機App查詢。改用Google雲端運算服務之後，索引更新時間，從每天縮短到以小時為單位，能有此突破，即是利用Google雲端平台的擴充性，大幅縮短運算時間。
Google雲端平台所提供的TPU處理能力，第一版推出時主要應用於加速推理（Inference）能力，讓訓練完成的模型可以很快地在終端執行。如今已進展到TPU v2，更增添了訓練的能力，單顆處理速度可達到180 Teraflops（每秒180兆次浮點運算）運算效能。
AutoML演算自製專屬機器學習模型
 |
| ▲ Google雲端企業客戶經理田哲禹指出，透過機器學習與人工智慧技術，可改善產品與服務、解決世界上重大的挑戰，甚至幫助更多開發者，解決眼前的困境，達到創新目的。 |
執行機器學習訓練的時間得以縮短，除了受惠於大規模的運算能力，演算法亦是影響速度的關鍵。「Google的技術發展方向，希望能夠提供正確好用的工具，讓客戶得以藉此降低門檻，快速實踐機器學習演算法的目標。」田哲禹說。
Google提供的工具區分為三大類，量身打造的機器學習模型包含TensorFlow、ML Engine；訓練過的機器學習模型API則有影像辨識、語音辨識、翻譯、自然語言；Cloud AutoML是Google最新推出的技術，基於AutoML Vision客製化圖像辨識機器學習模型，可協助更多企業，在沒有機器學習人才的狀況下，打造出專屬的模型。
他進一步說明，ML Engine是基於TensorFlow框架所打造的服務，應用時只要把自行撰寫完成的演算法、數據皆上傳到Google雲端平台，即可利用大規模運算資源執行ML Engine，縮短機器學習模型開發時間。
門檻較低的方式是利用Google已經訓練過的機器學習模型。由於Google本身掌握大量數據，每天有數十億人的使用量持續累積，不管是語音、圖片、文字，Google所提供的服務皆是運用機器學習進行處理。綜合過去的經驗，開發了影像辨識、語音辨識、翻譯、自然語言等API服務，使用者只要在系統中介接即可整合運行。
以Google翻譯API為例，早期是以規則為基礎，尚未採用機器學習，進展到類神經網路技術後，精準度顯著提升，更貼近使用者需求。至於自然語言API，知名的應用案例是某歐洲電商，以販售生鮮食品為核心競爭力，傳統相當仰賴郵件來維護客戶關係，問題是每天接收的郵件數量相當多，回應速度始終無法提升，同時也無法依據重要性排序，於是在應用系統中介接Google自然語言API，輔助快速地掃描所有郵件，以判斷必須緊急處理的事項，回應速度較郵件形式提升四倍。
「客製化的Cloud AutoML，為Google致力於推動人工智慧普及化、自由、民主的實踐。」田哲禹強調。透過Cloud AutoML自動建立機器學習模型的技術，能夠讓客戶基於已經開發完成的API模型，增添自家的元素，打造出專屬的機器學習模型。例如拍攝天空照片，上傳到影像辨識API，可判斷確為天空的信心程度已達99%。但若是氣象專家，需要更進一步從照片中判斷為卷積雲、高層雲等種類，目前影像辨識能力則尚無法實現，必須改採AutoML Vision服務，自行把照片上傳到AutoML Vision服務控管平台，用以訓練各式雲層種類的識別，不需要是機器學習專家，用戶即可藉此打造出獨有的機器學習模型。
現階段要建立機器學習模型，首先要先蒐集龐大數據，進而處理、設計模型、撰寫演算法、參數調整，最後還要評估與部署，甚至還必須有更新機制，讓機器學習模型不斷進步。整體工作流程，需要機器學習的專家參與，才得以實現。透過Cloud AutoML，用戶可不需機器學習專家介入即可打造專屬模型。而Cloud AutoML Vision是Google日前才上線的第一個產品，未來還會發展更多類似的應用服務。
善用大數據分析開創商業新模式
前述提到Google每天接收到龐大數據量，實際上過往卻無法被完整記錄，隨著運算、儲存成本的降低，安全性也日漸成熟，如今不只是Google，全球企業皆想盡辦法蒐集更多的資料，以便透過大數據分析，掌握顧客的使用行為與喜好，設計出更能吸引顧客的商品，或增加滿意度與黏著度。
但是若擁有龐大數據，卻欠缺分析能力，以及適合的機器學習模型，最後恐淪為噪音。「因此我們認為，數據方面的蒐集、分析，在整個機器學習模型建立的環節中最為關鍵，Google雲端平台即著眼於此，提供多種工具，協助降低數據蒐集與分析的門檻。」田哲禹說。
至於人才，亦是實現人工智慧創意應用的要素，Google透過Google Brain Residency計畫培訓，在全球每年有超過250個研究單位，透過該計畫取得補助實現人工智慧應用實作。此外，Google亦設立了進階解決方案實驗室（Advanced Solutions Lab），集結公司內部機器學習的專家，讓企業具創意的想法點子，可協同實驗室專家彼此合作，開發出專屬機器學習模型。
田哲禹舉例，在美國知名保險公司與進階解決方案實驗室合作後，打造出機器學習模型，應用於車險業務方面，讓顧客只要上傳照片，即可藉此辨識車體損壞狀況，預估修復的費用。如此一來，可解決過去以專業人力判斷效率不彰，以及人類難以達成的客觀判斷細節，新建立的機器學習模型基於智慧化地調整參數，即可突破傳統工作模式無法達成之處。
去年在資料科學領域的熱門話題之一，即是Google收購全球知名的Kaggle資料分析與建模競賽平台，聚集超過一百萬個機器學習的資料科學家，每天在Kaggle平台上交流，或透過競賽方式解決機器學習的挑戰。畢竟以現在的技術，欲實現人工智慧應用仍有相當高的門檻，Google正試圖以不同方式降低，讓更多企業得以藉此加速開創新形態的營運模式。