啟動元宇宙的鑰匙：超級AI客服

📌日期：2021.11.29
📌原文：連結

在機器學習（ML）與自然語言處理（NLP）技術發展下，以對話式人工智慧打造的超級AI客服，正逐漸改變各產業的樣貌。據全球諮詢機構P&S Intelligence評估，超級AI客服產值將在2024年達到229億美元，年複合成長率高達19.7％。其中，或許還不包含以象形文字為主，民情有別於歐美的中文超級AI客服。

向戲劇、行為科學取經，建構語音情緒演算模型

「在機器學習中，如何取得資料是第一個難關。為了建立台灣中文對話的情緒演算模型，團隊在五年前先透過戲劇系演員協助，演繹人們對話時的各種情境，再結合行為科學家的研究理論，輔助建立模型。」清華大學電機工程系副教授李祈均說道。

需借力戲劇系演員，是因國外雖多有情緒演算研究，但受限於個資問題，即便研究單位願意分享模型成果，在無法結合原始資料分析下，應用價值有限。而要從真實世界裡從頭累積華文世界的資料庫，又曠日廢時，因此才想到這個方法。

即便如此，李祈均教授的團隊仍耗費四年時間，在累積100多個小時的對話數據庫後，並整併行為科學理論才得以建構出有效中文情緒辨識模型。

「這個難關，直到近兩年Podcast盛行，才讓研究團隊思考能以比較短時間內，大量取得更多元的對話情境數據。」李祈均指出，以往做情緒演算模型時，往往只有一、兩萬句對話，頂多十幾個小時的資料量，但在國外最新以Podcast為數據來源的研究中，則以至少400小時為目標。

李祈均分享，目前團隊也和該研究機構合作，取材中文的Podcast節目，並整合自動語音辨識、語意分析處理、多模態融合、個人化模型的演算法，同步整合個體空間行為表徵學習，透過深度網路構建情緒辨識模組。

 

上圖：清華大學電機工程系副教授李祈均

表徵學習技術，讓輸出增添無限可能

而除了情緒演算外，要建構中文的超級AI客服，仍有賴於表徵學習（Representation Learning）的核心技術。

「在AI客服的應用上，無論輸入的資料是文字、語音、圖像或影片，都需將數據轉換成能被機器學習的向量與實數，而表徵學習就是在機器學習使用表徵的同時，也學習如何提取特徵的技術。」清華大學資訊工程系教授吳尚鴻說道。

就因表徵學習具備「學習如何學習」的能力，除了取代過去需仰賴專業人員、耗費大量時間手動提取特徵，並「輸入」數據的時間，應用在「輸出」時，更有助於開發出原生文字、原生圖片、原生語音、原生影片，為線上消費環境提供良好的使用者體驗。

上圖：清華大學資訊工程系教授吳尚鴻

自然語言學，攻克語言巴別塔

但要建構中文世界的超級AI客服，要攻克的最大關卡，仍是語言這座巴別塔。畢竟，機器學習霸權的母語屬拼音系統，並透過程式編碼樹立高牆，中文世界的研究要後來追上，看似不易。

不過，這在研究自然語言處理（Natural Language Processing , NLP，或稱Computational Linguistics，CL）三十多年的臺大資訊工程系教授陳信希眼中，卻不是一件難事。

「不管是拼音組成的英文單字，或是象形文字的中文單字，要對電腦產生意義，都需要轉化成有意義的形式，也就是所謂的表徵。」陳信希分享，語言在電腦中的表現方式，從早期的（symbolic representation）、中期的分佈式表徵（distributional representation），演進到近年來在深度學習中廣為使用的分散式表徵（distributed representation），都需先把生活中的事物化為表徵，再透過不同方式運算。

更何況，從單字到句子，無論是中文或英文，只要能從名詞、動詞、形容詞和副詞組成的句型中，判斷出人事時地物，就能化成自然語言學所需的資料。

「尤其，深度學習的分散式表徵，使用低維度高稠密向量，以預測方式取代過去分佈式表徵的計數方式，大大提升了機器學習任務的效能，也讓自然語言學有了大幅躍進。」陳信希說道。

上圖：臺大資訊工程系特聘教授陳信希

確保資訊自主性，才能成就元宇宙沃土

在深度學習技術的推進下，也讓未來的AI客服有了全新想像。

「目前，除了線上翻譯、聊天機器人外，自然語言學也已應用在輿情分析、病歷探勘、金融科技、健康照護、法律諮詢、烹飪教學等領域，在加入深度學習後，未來潛力可期。」陳信希說道。

當研究團隊運用深度學習，在取得資料進行數據運算時，也讓學研界自省在一項技術研究初期，思考該技術發展後可能衍生的問題與爭議，並加以改善、防堵。

「當人們享受Google、Facebook帶來的便利時，伴隨大數據演算而來的大量廣告推播，也讓民眾的被監控感日益強烈，並衍生出資訊自主等議題。」吳尚鴻指出，在消費者對資訊安全日益重視後，杜絕平台收集個人資料的軟體也會應運而生，例如只要在手機裡下載某個App，就可防止平台收集你的資料。

「當資訊安全性與自主權獲得保障後，人們才可以安心沉浸在多媒體建構的虛擬世界中，藝術創作者也才能安心創作，不怕被侵權。」李祈均說道。

從以自然語言學，將人類語言轉換成電腦的語言，並透過深度學習，催生出多元的AI客服應用。未來的超級AI客服，除了是打開元宇宙的鑰匙之一，相關技術衍生的資訊安全問題，更是人們往返實體與虛擬世界中，最重要的心理安全閥。

詳細文章請見

啟動元宇宙的鑰匙：超級AI客服 https://www.cw.com.tw/article/5119119

你現在有多痛 AI機器人看臉就知

📌日期 : 2020.12.19
📌原文連結

「你現在有多痛？」走入急診室，滿間都是哀嚎的患者，但光是做檢傷分類往往就要耗去許多時間，台大率全國之先，找來機器人進駐急診室幫忙，機器人透過觀察患者臉部的表情線條、臉色，來判讀疼痛指數，最快2分鐘內就能完成，幫忙解決急診室壅塞困境。

依臉部扭曲線條、唇色判斷

全台每年急診就醫件數從2006年568萬件增加到2016年689萬件，突顯急診壅塞問題越來越嚴重。台大醫院急診部與台灣大學資工系合作，發展出人工智慧的電子化檢傷系統，以人臉辨識判斷疼痛指數。

台大醫院急診部主任黃建華表示，急診檢傷分類須看心跳、血壓、體溫，也要看疼痛，若疼痛超過8分就要自動升一級。疼痛有兩大意義，除了表示病人很希望趕快改善不舒服，也可能顯示身體疾病嚴重，醫護人員必須幫忙提高病人的舒適度，也要快速瞭解他病況的危急性。

急診醫學部王暉智表示，過去檢傷分類，需靠資深優秀的護理師才有辦法，但若遇到人多繁忙，就會有精神狀況不好或是疏忽的時候，靠機器人協助，則能降低疏漏風險，提高病人安全，藉此警示醫護人員，優先處理緊急的患者。

機器人要怎麼判斷疼痛指數？王暉智說，可從患者有沒有愁眉苦臉，例如臉部扭曲線條、嘴唇顏色、或是臉部是否蒼白等表情細節來辨識，同時分析病人主述、病例、生命徵象的資料，經過深度學習模型，自動產生疼痛指數及檢傷分類的建議。

未來台大醫院的智慧急診願景，更希望能做到機器人也能主動看病、與患者對話、判讀Ｘ光，提供醫生加速診斷加速了解病人病況是否建議出院、緊急事件準確預測，希望可以改善急診流程，都能夠縮短時間而且判斷更正確，推動智慧急診的方向。

衍生醫學倫理 待立法規範

不過，AI衍生出的醫學倫理與法律層面問題，還有很多有待釐清與立法規範，例如在診療過程出問題的時候，到底是醫師、醫院、還是系統研發者的責任？台大也表示，國內也須因應AI時代來臨，加快立法腳步。