本篇為資深科技記者 Michael Copeland 的系列報導之 3，探討深度學習的基本原理。
您也許不是 F1 賽車的狂熱車迷(畢竟這些賽事大多不是在美國舉行)，但是，很難不去欣賞這樣迷人的機器。流線造型、美麗車身、疾速飛馳、全車充斥著迷人的科技，甚至巴望著自己狹窄的小車也能有一點點的相像。
如果去思考今日機器學習是什麼概念，似乎有點像是在討論F1賽車—強而有力、風情萬種、進展快速，在 Jeopardy 遊戲中連連獲勝，甚至連複雜的圍棋都成為手下敗將。
這景象足以讓人嘖嘖稱奇，但是機器學習有另外一個特點：就是我們也能夠走到方向盤的後面，自己用力地踩下油門。除了電視上的競賽及桌上的遊戲，我們更能夠利用機器學習的技巧，解決自身的複雜問題及業務上的困難。
簡而言之，這技術能為您帶來獲利。
更重要的是，與 F1 賽車相比，我們不是只能沾個邊，摸一點小東西，譬如換檔撥片或是可變閥動定時器之類的。這次，我們可以掌控整輛車，包括司機。
對於商業經營者來說，這產生了一個問題：您想要到達什麼地方？或是更精確的說，利用機器學習可以解決您什麼樣的問題？一個能夠幫助研究人員贏得比賽的科技，能夠如何幫助您贏得新客戶？
深度學習可以幫助才華洋溢的釀造師釀造更好的啤酒。
深度學習與遊戲理論
來思考一下 AlphaGo 在一系列圍棋競賽中的表現。AlphaGo 有個對手，是圍棋大師李世乭，還有一個明確的目標—在所有規定與遊戲限制之下贏得賽局。AlphaGo 接受訓練理解圍棋遊戲，然後找到一個模式，讓它能贏多輸少(AlphaGo 在五場比賽中贏得了四場)。
在這個事件中，李世乭仿如一個遊戲角色或機器人(agent)。當 AlphaGo 習得了遊戲的所有極限，以及如何進行互動的交互關係，最終則打敗了李世乭這個”遊戲角色”。現在我們把相同的要素放進自駕車的領域。
駕駛行為是更為複雜的情況，因為對應的是多角色(agent)的環境，其他的人物角色(agent)則是路上其他的駕駛者，車水馬龍的道路就是遊戲板，充滿了多變性與隨時異變的狀況。
您可以拜訪我們深度學習的資源中心網頁，了解更多關於該如何利用深度學習來幫助業務成長的資訊。
在駕駛情境中的所謂 “勝利”，可能是安全地從家裡開到工作地點，同時注意不會面臨沒油的窘境，或者可以是以最快的速度上班(且確保安全)。不同的駕駛者將選擇不同的約束條件，有著不同的目標。與其他角色產生互動的同時，在設定操作規則的狀況下，目標可能會達成(或者失敗)。
場景從無人駕駛車轉換到了無人機，您會發現 Amazon 正想利用機器學習，自動飛行機器人來解決包裹遞送的問題。對 Amazon 來說，”勝利”就是迅速而安全地，空運一雙鞋子到達正確的地址。
如果您相信萬物皆可遊戲化(gamification)的理論，幾乎人類從事的任何行為，甚至是機器行為，都可以幻化成一個遊戲，有著許多規則與目標。那麼就很容易可以理解，機器學習可能有著無窮盡的應用方式。
深度學習可優化製造流程
現在來到了製造業生產線，這裡的”勝利”可能是極大化地生產商品，並且通過品管測試。機器學習的概念可以被用在訓練系統，若用技術上的術語來說，就是訓練深度神經網路(DNN)系統，然後細膩地調適所有製造流程中的參數，以期達到目的。之後甚至可以將這些參考變數，向垂直產業延伸，涵括整個供應鏈，以及外部供應商等等。
有了正確的資料，DNN 網路可以持續不斷地運作，優化整體商業運作模式，達到想要的目標。可能是在旺季時注重生產量，在淡季時候注重效率。當部份的零組件賣到缺貨，整個系統的數值會隨著改變，於是調撥機制將自動進行調適。
更好的啤酒、更高的獲利、更精準的預測
Analytical Flavor Systems 公司，是一間專注於軟體、位於賓州的新創公司。該公司使用機器學習來幫助顧客，譬如利用啤酒品酒師所給予的資訊，釀造更令人暢快的啤酒。該公司的 DNN 產品叫做 Gastrograph，能夠辨識數十種的啤酒種類，然後仔細分析飲酒者可能的喜好特徵，或者建議他們改喝其他競爭品牌的啤酒。
NBA 的金州勇士隊(Golden State Warriors)和克里夫蘭騎士隊(Cleveland Cavaliers)都在使用一間 L.A 的 Second Spectrum 公司的服務。利用機器學習的技術，採集而來的電腦畫面及數據，來預測個別球員會在不同的情境下，做出什麼樣的反應。(譬如假設當初能夠預測科里在總決賽時暴跌的三分球命中率就太好了)。然而有些事情也不需要複雜的機器學習技術才能決定，勇士隊延攬了 Kevin Durant，就是為了補足隊上攻防的縫隙。
舊金山的新創金融科技公司 Affirm，在產品開發的每個階段也利用機器學習技術，從產品原型到正式生產，最終開發出的信用及詐欺模型，能夠幫助公司判斷哪些借款人是值得投資的，譬如他們成功地融資給賣翻天的 Casper mattress 床墊公司。以 Affirm 的案例來說，”勝利”代表的是將正確的金額借貸給正確的客戶，利用深度學習的模型判斷誰真的會還錢。
深度學習如何幫助商業發展？
不難理解，對 Google、Facebook、Amazon、Netflix 等大數據公司來說，機器學習是一個強大的工具。但是您也可以從上述案例中發現，包括啤酒、個人信貸、油井探勘到籃球，現今所有各行各業，很快也得加入深度學習的行列。
“大數據”這個耳熟能詳的詞彙已經行之有年，許多公司也早已加入這個行列，CEO 和 CTO 大多意識到在商業流程中收集資料的重要性，但這只是第一階段。
第二階段則是必須找到精練的方式來分析消化這些資料。現在我們進入的是第三階段，就是將機器學習的技巧帶入資料分析這件事情上。
機器學習能夠幫助商業活動發展更具前瞻性，打造對結果有更高預測能力的預測模型，也能夠更明確地指出該如何改善，或是該加強業務的哪個部分。
與早期雷聲大雨點小的大數據相比較，現在的機器學習擁有更多實際運作的案例，展現出令人驚喜而有價值的成績。不僅在遊戲中擊敗專家與達人，更普遍的範例像是 Apple Siri 日常運用，還有比人工檢測更快更準確的 MRI 癌症檢測等等。此外，機器學習技術也幫助廣受喜愛的 SaaS 平台持續提升準確率與性能，讓HR與資料中心的管理更加輕鬆。
更令人驚喜的是，諸如 Google、Facebook、Amazon 還有 NVIDIA 等產業巨頭，相對以開放的態度提供自家的軟體工具，讓機器學習更容易入門。這些大公司甚至會提供付費的技術支援，讓您更快上手。
當然不是說這些公司在做慈善事業，機器學習的服務及硬體方面，很明確地顯露了龐大的市場商機。作為企業主，您不需要自己延攬一群數據科學家，只需要將公司裡需要解決的問題丟出來。
身為公司的 CEO 或 CTO，您必定知道什麼事情能夠讓自己的公司獲得轉變。切莫被機器學習的新潮應用給迷惑，先思考自己面臨的問題，有什麼是可以被自動化工作處理或改善的。
機器學習就像是一輛又快又炫的車，但是您必須先上車駕駛它，才能到達您的目的地。
您可以拜訪我們深度學習的資源中心網頁，以及 Paralll Forall 部落格，了解更多關於該如何利用深度學習來幫助業務成長的資訊。