這種餵以大量相關資料,讓AI演算法自己找出其中細部資料的關聯性與整體變化趨勢的方法,有一個大問題是,就是不知道AI演算法到底學到了什麼,像這個例子,AI演算法看了大量美少女吃拉麵的圖片後,還是不知道吃麵要用筷子夾起來,然後筷子是兩根滴。(吃圍巾的那張,最有趣!)
要調校這個錯誤,就是餵以大量美少女用兩根筷子去夾拉麵入口的圖片,但是你真的不知道AI演算法,看了這些所謂正確圖片後,會不會認為拉麵不是拿來吃的,而是夾來玩的。
類神經網路式的機器學習,其演算邏輯是程式自己辨識輸入的大量資料的差異而長出來的,例如餵以大量人工辨識與分類的合格PCB板與不合格PCB板(有假焊、漏焊、短路、斷線等瑕疵)的照片,程式就能學習到分辨合格與不合格PCB照片的方法(其學習到的機器辨識邏輯,一般來說人類無法理解或調校),並非以規則導向的專家系統(而這些規則與比重,是與專家討論而得出的,人類也看得懂,也能調校)。
所以,這種AI演算法的大問題,就是不知道它到底學習了什麼,又要怎麼調校,只能不斷地餵它不同的資料。因此,只要換一個問題,單單調整其解法讓其結果有用,就會麻煩到要人命。