AI建模师-素养手册(6)-如何把专家直觉纳入AI呢

认识专家直觉-专家的智慧存在于行业（或领域）专家的脑海里，而且常常是〈非逻辑化〉的，这种直觉性的智慧，很难透过传统的系统分析、程序设计的活动来将其纳入计算机里。如今，恰好当今的主流AI的智能，也是非逻辑化的，又称为：黑箱式推理。-所谓专家直觉，就是他对周遭事物的瞬间洞察力，是极为敏锐的。因而，他也会很敏锐地洞察出上述这个AI模型所表现出来的直觉性推论，与他的直觉推论的差异。由于他是专家，他大多会觉得自己的直觉最厉害，因而立即会指出上图里AI直觉推论的〈缺点〉。于是展幵了抛砖引玉的活动了，也就是展幵萃取专家直觉的工作了。认识专家直觉-虽然大家常常听到＜AI算法〉的名词，也常常因而误认为AI是依据Python的程序逻辑去执行的〈逻辑化推理〉，这是常见的迷思。专家的直觉性智慧，简称为：专家直觉。其存在于行业（或领域）专家的心智里，常常只有结论而说不清其〈逻辑推理过程〉的。-例如，不管黑猫白猫，会抓老鼠的就是好猫。这是专家的结论，但您不要问：为什么。因为专家也常常说不出来其证明的推理过程。其实，人类的绝大多数的智慧，都属于这种非逻辑化的智能。I举例说明•复习：光的三原色。-著名的物理学家牛顿首先发现了光的三原色：RGB(红蓝绿)。R是代表红色(Red)、G代表绿色(Green)、B代表蓝色(Blue)°RGB这三种颜色的组合，可形成各种不同的颜色。I举例说明-像电视机或计算机的彩色屏幕都是具备产生上述三原色光的发光设备，所以计算机就依据R、G、B三个数值的大小来表示每一个像素(PixeI)的颜色。-在计算机领域里，每一幅屏幕画面或一张图片，都是由许多小光点所组成的，其中一个小光点就称为一个像素(Pixel)。

由像素所组成的图像，通称为数字图像。简而言之，像素就是图像的点的数值，然后从点连成线，线再组合成面。-例如，常见的JPG格式的数字元图像的彩色采样点，即是像素。I举例说明-每一个像素都具有三个数值，代表红光、绿光、蓝光的亮度；就是刚才所介绍的RGB三色光。经由三色光的迭合来得到各种颜色。-在计算机中，以整数0~255的值来代表小光点的R、G和B的亮度。其中0是最暗，255是最亮。例如，当RGB都是255时，迭合之后就呈现出白光。black128.128,128graymaroon0,0,255ABCDsilver192,192,1920000limeyellow12345678greenolivenavypupletealbluefuchsiaaquawhite255,0,2550,255,255255,255,255。，0t128,0,0,128,12&12&0,0,128128,0,1280,128,128255?().00,255,0255,255,09瞬间辨识像素的颜色和位置•每一个像素都有三个特征值：RGB三原色的值。现在有4个像素如下图所示：ABCDEFGHIJKLMN1像素。像素1像素2像素32X[]3255000255025500002554567K0[]0Kl[]0108910Y0[]25502550Yl[]0255001112瞬间辨识像素的颜色和位置-上图里的X[]含有4个像素的特征值，我们人类一眼就能看出这里有两个红色像素，有一个绿色像素，以及一个蓝色像素。那么AI是否也能瞬间看出来呢？-可以的，使用K0[]卷积核来对X[]进行卷积运算，得到Y0[]，就可以看出来了：有两个值是255，代表有两个红色像素（分别是像素0和像素3）。-同理，使用K1[]卷积核来对X[]进行卷积运算，得到Y1[]，

就可以看出来了：有一个值是255，代表有一个红色像素（即像素1）°I范例：专家直觉-在一个工厂里，有一部机器天天运作中，它会处于3种状态之―，分别以RGB颜色代表之。如下图：()范例：专家直觉-每天中午12:00记录其当天状态。当其状态为顺时钟、或反时钟变化，属于正常变化。如下图：正常變化）正常變化)详细说明：一部机器会处于3种状态，分别以RGB颜色代表之。每天中午12:00记录其当天状态。当其状态为顺时钟、或反时钟变化，属于正常变化；否则为异常变化（跳机）。如果出现〈连续异常变化〉就必须停机检修。異常變化O范例：专家直觉-否其中值得留意的是，依据工厂的机器管理准则：如果出现〈连续异常变化（跳机）〉就必须停机检修。-现在，我们就来看看过去一周（工作6天）以来，这部机器状态纪录数据，如下：I范例：专家直觉-有一位负责检视机器状态的老师傅来了，他一眼就能看出了这部机器，在过去一周（工作6天）里并没有出现〈连续异常变化（跳机）〉的现象。•所以不必须停机检修。-那么AI是否也能瞬间看出来呢？范例：Al来学习专家直觉-兹把这些数据呈现于Exce1表格里，如下图：I范例：Al来学习专家直觉-运用专家直觉，把它表达于卷积核里：给予的百例：Al来学习专家直觉-请按下〈卷积〉，就拿K0[]和K1[]卷积核来对X[]进行卷积运算，得到Y0[]:范例：Al来学习专家直觉-从上图里的Y0[]就可以看出来了：有一个值达到510，代表发现一次异常（跳机）现象，从红色状态跳到蓝色。-同理，从Y1[]可以看出来：有一个值是达到510，代表发现一次异常（跳机）现象，从蓝色跳到红色。范例：Al来学习专家直觉•接下来，请按下〈相加〉。把K0[]所提取的特征（即Y0）与K1[]所提取的特征（即Y1），合并起来。例如，把Y0[]和Y1[]的对应元素进行V两两相加〉计算，而得到z[]°•从Z[]可以看出来：在本周里总共跳机2次。I范例：Al来学习专家直觉-人类专家一眼就看得出来：本周没有发生〈连续两天跳机＞的现象。•那么，AI是否也能一眼看出来呢？-答案是：可以的。•刚才由两个卷积核：K0[]和kl[]去进行卷积运算（自动提取特征），分别看到了一次跳机现象。但是如何看出来是否V连续跳机〉呢？答案是：再进行一次特征提取（卷积）就可以看出来了。范例：专家直觉•再一次使用卷积核，如下图：I范例：Al来学习专家直觉•接下来，请按下〈卷积〉。就拿KZ[]卷积核来对Z[]进行卷积运算，得到YZ[]，就可以看出来了。I范例：Al来学习专家直觉-于是Al可以看出来了：YZ[]的值都没有达到1020，表示没有发现〈连续跳机〉的现象。3.1运用专家直觉请看___实际范例演示及说明I专家直觉的角色•人们经常知道该如何行动，却无法解释行动的理由。直觉其实不需要理由，或是只要一个就够了。•选对相信直觉的时机’你将发现不多想、不思考的惊人力量。透过经验法则导引出的直觉，即使不比复杂的分析过程更为有用，至少也一样有用。•在行为决策的世界里，有时候关键并不在于搜集大资料。专家直觉的角色•专家直觉的WideLearning---＞纳入人类专家经验法则而得出的〈关联性智慧〉。•大数据算法的DeepLearning---＞探索复杂大数据而得出的〈关联性智慧〉。当今主流AI（即机器学习）最擅长的就是表现出这种〈关联性智慧〉。范例：cnnOl.py3.2I擅用卷积核(Kernel)•幵启cnnOl.py，呈现出画面：-上图里的红、蓝、绿色块各代表一个像素(Pixel)。每一个»A—■I,________▲>f_▲■_________■V-I擅用卷积核(Kernel)-请按下〈展幵〉，就呈现出其RGB值，如下：-例如，左上角的绿色像素，其RGB值为：［0,255,0］。而右上角的蓝色像素，其RGB值为：［0,0,255］。I擅用卷积核(Kernel)-按下〈正规化〉，将RGB值归一于0~1之间，如下：I擅用卷积核(Kernel)-按下〈找出最红的〉，就拿卷积核(即W[]权重)对该9个像素进行卷积(Convolution)运算，得到结果：16I擅用卷积核(Kernel)-于是卷积的结果为：-11-1V-----------/-从卷积结果可以看出来：正上方和左下方的两个像素，是最红的像素。卷积核的权重从那里来呢？-设计一个AI模型，来训练卷积核。-请点选〈工作表5＞，呈现如下：ABCDEFGH1JKLMN。機器學習，自主找出W[]，用X[]T2來找出最紅的Pixel000（不挑選）（第罚〉類）3255■■■■1（要挑選）（第＜1〉類）4°0255o（不挑選）（第＜0＞類）:002550（不挑選）（第＜0＞類）2552552550（不挑選）（第＜。＞類）7002550（不挑選）（第＜0＞類）81（要挑選）（第＜1＞類）9025500（不挑選）（第罚＞類）1011120（不挑選）（第罚〉類）13正規化W學習:;卷积核的权重从那里来呢?-专家直觉只要将9个像素进行〈分类〉，分成两类即可。-接着按下〈正规化〉，并按下〈学习〉来展幵机器学习。-几秒钟之后，学习完成了，就计算出权重值（w[]）了：这是从专家学习而来的1（要挑選）（不挑選）（不挑選）（不挑選）（要挑選）（不挑選）（不挑選）（不挑選）（不挑選）3.75879-4.12052學習機器學習，自主找出W[]，用來找出最紅的Pixel.F二-4.12065使用该卷积核-这个权重w=[3.75879,-4.12052,-4.12065]，就代表了专家直觉。-就可以拿它来对原始数据（即9个像素）进行卷积运算。如下:学习而来的使用该卷积核-请按下〈展开＞及＜正规化〉，就呈现出其RGB值，如下：使用该卷积核-按下〈找出最红的〉，就拿卷积核(即W□权重)对该9个像素进行卷积(Convo山tion)运算，得到结果：使用该卷积核-于是卷积的结果为：-从卷积结果可以看出来：正上方和左下方的两个像素，是最红的像素。范例：cnn02.py擅用卷积核(Kernel)•幵启cnn02.py，呈现出画•专家一眼就看出来，右上方与左下方各有〈相连的两个红色像素〉。AI也能具有这种专家直觉。I擅用卷积核(Kernel)-请按下〈展幵〉，就呈现出其RGB值，如下：-一样地，使用W□来对原始数据进行卷积运算就可以了。I擅用卷积核(Kernel)-按下〈正规化＞及＜找出相连红点〉，如下：-从卷积结果可以看出来：右上方与左下方各有〈相连的两个红色像素〉。I擅用卷积核(Kernel)-按下〈正规化＞及＜找出相连红点〉，如下：-从卷积结果可以看出来：右上方与左下方各有〈相连的两个红色像素〉。I擅用卷积核(Kernel)-按下〈正规化＞及＜找出相连红点〉，如下：-从卷积结果可以看出来：右上方与左下方各有〈相连的两个红色像素〉。让Al学习专家直觉-请点选〈工作表4＞，这是一个AI模型，来训练卷积核。-专家对〈两个相连像素〉的可能情形加以分类，并给予标注(Label)0让Al学习专家直觉-按下〈正规化〉，并按下〈学习〉来展幵机器学习。-几秒钟之后，学习完成了，就计算出权重值（w[]）了：（第＜0＞類）（第＜1〉類）.正規化（第＜0〉類）學習-5.0221.78170.46314539（第＜0〉類）（第＜0＞類）機器學習，自主找出W[]用來找出相連的Pixels这是从专家学习而来的使用该卷积核-请按下〈展幵〉、〈正规化＞及＜找出第1类＞，就拿卷积核（即W□权重）对原始图像进行卷积运算，得到结果：•可以看出来：右上方和左下方各有〈相连两个红色像素〉的情形。专家直觉范例--以护理师的排班为例把专家直觉纳入Al模型里I说明•专家直觉(ExpertIntuition)就是您可以看出来眼前的情况与过去发生情况的某些相似点(即相似特征)。•您的专门知识愈深，就愈能看出许多相似情况，而在菜鸟眼中，每个情况都是新且独立的情况。•专家直觉带给人们瞬间洞察力，也就是〈鉴往知来〉的能力。把专家直觉纳入Al模型里I说明-例如，下图是医院里的护理师排班表:7ABCBCDBCEBCFBCGOFHOFIOFJBCKBCLBCMBCNBC0OFPBCQBCRBCsOFTOFuOFVOFwBCXBCYBCzBCAAOFABBCACBCADBCAEBC8BCBCOFBCBCBCBCOFBCBCBCOFBCBCBCBCOFOFOFJBBCBCOFOFBCBCBCBCOF9JBJBJBJBOFOFBCBCBCOFOFOFBCBCBCBCOFOFOFOFBCBCOFOFBCBCOFOFBC0R=OF0FOFBCBCOFBCBCOFJBJBJBJBOFOFOFOFBCBCBCBCBCBCBCOFBCBCBCOFOF11BE=BCOFBCBCOFBCBCBCBCOFBCBCBCOFOFOFJBBCBCBCBCOFOFBCBCOFBCBCBCOF2BCOFOFBCBCBCBCOFBCBCBCBCOFOFOFRABCBCBCBCOFOFOFBCBCOFOFBCBC3白底=BC=白班JBJBOFBCBCBCOFBCBCBCBCBCOFOFOFOFBCRABCBCOFOFOFBCBCOFOFOFBC14黃底夜BCBCBCBCBCOFOFOFBCBCBCBCOFOFOFOFBCBCJBBCOFOFBCBCBCOFOFBCBC5藍底攻人=大夜BCBCOFOFBCBCBCBCOFBCBCBCOFOFOFOFBCJBBCBCOFOFBCBCBCBCBCOFOF.6BCBCBCOFOFJBJBJBJBJBOFBCBCOFOFOFOFBCRABCOFOFOFBCBCBCOFBCBC70=100BCBCOFOFBCBCBCBCBCOFBCBCOFOFOFOFBCBCOFBCRAJBBCOFOFOFBCBCBC8E&I0IBCBCBCOFOFBCBCBCBCOFOFBCBCJBRABCOFOFOFOFBCBCBCOFOFBCBCBCBC.9|jB=110OFOFBCBCBCBCOFBCBCBCBCOFBCJBJBBCOFOFOFOFBCBCBCBCOFOFOFBCBC!0RATIIOFOFBCBCBCOFOFBCBCBCOFOFBCRARABCBCOFBCBCBCBCOFBCBCBCBCOFOF-其中：OF代表休假；BC代表白天班；JB代表小夜班；RA代表大夜班。把专家直觉纳入Al模型里I说明-有经验的护理师，一眼就能看出这不是一张好的排班内容，其凭借的就是专家直觉。-如果我们能够探知这位资深护理师所观察到的特征，并且将其表现于AI模型里，就能大大提升AI系统的质量。把专家直觉纳入Al模型里I说明-有经验的护理师，一眼就能看出这不是一张好的排班内容，其凭借的就是专家直觉。-如果我们能够探知这位资深护理师所观察到的特征，并且将其表现于AI模型里，就能大大提升AI系统的质量。-例如，护理师们有一个概念称为：花式排班。AI人员就去探知〈花式排班〉的特征，表达于AI模型上。，把专家直觉纳入Al模型里|设计AI模型-建立排班CNN深度学习模型。-CNN的核心在于卷积核(Kernel)模型设计及训练。有了卷积核就能进行卷积运算(Convdution)来自动提取特征了。-卷积核模型设计时，首要任务是引入专家的经验、智慧(又称为〈专家直觉＞)，纳入到A模型里。例如，专业术语〈花式排班〉就蕴含了专家智慧。把专家直觉纳入Al模型里设计AI模型把专家直觉纳入Al模型里，把专家直觉纳入Al模型里|展幵训练-于是专家直觉就成为AI模型的内涵了。-当您按下〈训练〉按钮，AI就幵始学习了。•学习之后，这位资深护理的专业直觉，就成为这AI系统的智能了。并以权重来表达这项智慧，如下图：，把专家直觉纳入Al模型里|展幵训练護理排班0（弋表g學習完成!1500回合-3.34^451.1783-0.32-1,樂-0.062-0.990.576-0.0940.386-1.5922.184-0.231.593OF（休息）D（日班）E（小夜班）N（X夜班）1.8408^-1.261-0.921.1163.700542丫環-2-0.01771.686-230,327-3.4623713.2429041代表Bad权把专家直觉纳入Al模型里1819-3340945203.70054221-3.46237122

3^429041.84084.261321.116］側顷0.7180.3431-0XM77］從-280327-025-1.5522.1$4-0.231.17831.711-032丄洌1.017-0.0621,593-0.99Y瓊-2丫環-305%1-0.0940386格■boX7X2XOX—X憂YrLOW格60^Ohboh2hb2hhd—bh把专家直觉纳入Al模型里03%-0.09403861綱084.261321.1163177成-20903271.17831.711-0.32-1,洌1砌•】爲30.7180.343-025-1.5922旅-0.231.(47-0.0621.593-0.99■3340M5Yig-13.70QM2丫瓊-2丫環-321-3.46237122,321293把专家直觉纳入Al模型里WWWbo憂YrLhw^1格woX7XO・X1・X22hh2bbhohod—bhh條件式格式格式化為儲存格設定V表格"樣式¥$V%，冗琴三三三I汐V眇自動換行三三三三三團跨欄置中V通用格式把专家直觉纳入AI模型里训练完成，得到卷积核-也就是，按下〈训练〉后，就得到卷积核了：少自動儲存（•圍閉scwbO31-Excel邙XP授尋©常用說明檔案V127NK新細明體IUvHi]vOvv

中B編輯敏感度字型入澎a貼上插入頁面配置公式資料2V园V■?排序與篩選尋找與°▼7選取¥敏感度▼智淇林（♦，困校閱檢視剪貼簿□舀共用口註解039[TDBCBC00000000011100000000011111000000000111110FRARARA00000111■M录■工作表2|工作表3I工作表4I工作表5I©就緒協助工具:調查+72%0F0OF0OF0-3.333.703-3.473.243匯入丫環智慧OF0OF0OF0OF0OF0通道匯合OF0OF0RA00OF10卷積ConvOF10OF100P,QRISITIUWXAB,CE,F,GH~LAAABIACIADIAEIAF|AGAH〔AlAJAKALAMAgA。〔AP〔AQ〔AR〔A\AT〔AU〔AVAW〔OF0100001000100RA00OF0010001RAo|OF00RA00RARARA0000100010001RA0000010RA00010RA00RA000JBRARA00100001000RARA100010001JB0010JBJB000100010RA10001RA00RA0BC1RA0012_3_45678910n旦1415^1617181?2£_2]231.84-1.3-0.91.11.6-20.70.30.57-01.7-2.10.3-0-22.2-0.2-0.11.191.7-0.3-2>U-01.6-1£.39卷积核OFJB00100000—_氓丄血dows—--窿至:］齊戸山啟吊WinAoJs曲圖凹入除式插刪格把专家直觉纳入Al模型里|训练完成,得到卷积核-为了简单起见，上图里只列出4笔排班的原始资料（4位护士的本本月份排班表）。•其中：OF代表休假；BC代表白天班；JB代表小夜班；RA代表大夜班。•请按下〈卷积〉，就展开对原始数据进行卷积运算，来提取特征（具有花式排班的表征）。把专家直觉纳入Al模型里卷积的结果•于是得到特征表(FeatureMap):ABCDEFGH1JKLMN0pQRsTuVwXYzAAABACADAE16].]821.71-0.3-2].]-01.6-]0.393.46173.24318192.762.C42.(H2.(U2.(43.34.()0.72：]000.9194.0180.72100000.90.70000.920.7200000.920.7200000000000[.孫0000001.300001.35000001.350210.58000002.6221.5062.0323.152.6221.5062.032223.21.522.032.033.151.512.0342.032.032.033.152200000000000oo000000000o000000023244.()24.022.762.()43.342.7582.0372.(]43.32.7582.0372.0372.()423.34442.82.042.()42.(]43.34.0182.762.042.()42.圍225000000000000000000000000000000262.622.620.58002.60.5780000.578000002.62.62.60.600002.6220.5,00002700000000000000000000000000000028291.264.024.023.130.371.32.7582.0372.4102.0373.2974.0184.0243.1{).4().40.41.34.023.130.370.370.3731.263.130.370.370.4300002.0700002.410000002.1000002.0700002.0700031].122.622.623.161.66].]0.578000002.6222.622.63.21.71.71.7].]2.623.161.661.661.656].123.161.661.661.732000000001>oo00000000000000000033342.()42.G43.32.762.(H23.2974.0184.023.14E-O42.0375E-O40.031.33.1().4().4■：；.41.34.023.130.371.262.7582.(H002.(H3.3350000000002.10003.7S0L.000002.07000001.3600360000.580002.6222.623.20003.®].]3.21.71.71.7].]2.623.161.66].120.57800].]]00370000000000]011000000000000]10038工作表2n［作表3工作表4工作表5®把专家直觉纳入Al模型里卷积的结果-从上图您可以看到了，青色底的部分特征值为1，表示发现到有〈花式排班〉的表征。-然后，进行CNN的池化(Pooling)运算，进一步提取明显(高层)的特征。把专家直觉纳入Al模型里再一次卷积-于是得到高层特征表：ABcDEFGH1JKLMN0pQR1^^^(FeatureMap)20fl000000000000000300000000000000000040000u00u1]000000u0Sft000000ft00101]0000更高層的特徵表Pooling■噸IM工作表2工作表m工作羔4工作表5匪人特徴表67