20190710_人工智慧 x 能源領域
•
11 recomendaciones•1,214 vistas
1. 什麼是機器學習 2. 機器學習能幹麻 3. 機器學習 x 能源數據 4. 未來應用方向 賴鋼樺，KHLai@itri.org.tw
Recomendados
Más contenido relacionado
La actualidad más candente
La actualidad más candente (20)
Más de 懂能源團隊
Más de 懂能源團隊 (20)
20190710_人工智慧 x 能源領域
- 1. 人工智慧 x 能源領域 先見林，再見樹 賴鋼樺 工業技術研究院 綠能與環境研究所 產業發展推動組 策略發展研究室 1
- 2. 2
- 3. 3 人工智慧 AlphaGo 擊敗韓國9段圍棋棋士-李世乭 2016年 隔年再度擊敗世界圍棋冠軍-柯潔 已超越人類? 讓我們繼續看下去 好神? 好厲害? 好棒棒? AlphaStar 擊敗《星海爭霸II 》世界級電競選手 2019年 圖片來源：DeepMind
- 7. 7 1950年 圖靈測試 「計算機器與智能」 （Computing Machinery and Intelligence） http://humashah.blogspot.com/2016/10/what-is-turing-test.html 若機器能 表現得像個人類 且 沒被辨識出來 則視為 通過「圖靈測試」 1956年 (距今60多年前) 「人工智慧」 首次被提出 時隔6年 達特矛斯會議 世界強國開始投入大量資金研發 第一波人工智慧
- 10. 10 第二波人工智慧 專家系統 試圖把領域專家的經驗規則都寫進機器 1980年代開始 但 我們懂的東西 比我們能表達出來的更多 We know more than we can tell. - Quote by Michael Polanyi 博藍尼悖論 看到一張樹的照片，我們都知道這是樹 但，你要我們清楚地說出所有判斷規則，我們說不出來 專業的修車師傅聽個引擎聲，就知道車子哪裡故障了 但，你要他清楚地說出判斷的規則是什麼，他說不出來 再次… 慘淡收場 (1980 ~ 1990) 有太多經驗 無法轉述成清晰的規則
- 13. 13 人工智慧 前世與今生 第一波 邏輯 推理 第二波 專家 系統 第三波 機器 學習 試圖把人類的思考邏輯寫進機器 試圖把專家的經驗規則寫進機器 讓機器透過資料來學習出規則 1950-1960 1980-1990 2010-今 小結 有沒有第四波呢? 有太多經驗 無法轉述成清晰的規則 人類都不清楚自己如何思考 又怎麼告訴機器?
- 14. 14 What is 機器學習? (Machine Learning, ML)
- 16. 16 給定輸入 X 讓機器透過學習(訓練)得到函式 f(X) 使它能夠產生我們要的結果 Y 讓機器能從訓練資料 淬取出規則的演算法 你好 你好 你好 你好 從數學的角度來看
- 17. 給定 X 讓機器透過學習(訓練)得到函式 f(X) 使它能夠產生我們要的結果 Y 𝑓𝑓1 𝑓𝑓2 = “貓” = “6-4”
- 18. 18 是否得癌症 股票指數 風格相似的分到同一群 𝑓𝑓1 (𝑋𝑋) 𝑓𝑓2 (𝑋𝑋) 𝑓𝑓3 (𝑋𝑋) 分類 (Classification) 回歸 (Regression) 分群 (Clustering) X Yf(X) X光照片 金融新聞 各式照片 X 常見的問題類型 分類 回歸 分群 Classification Regression Clustering
- 19. 19 訓練階段 預測階段 𝑓𝑓 (𝑋𝑋) “Dog” 機器學習的運作階段 以監督式學習為例 訓練集外的未知資料大量的訓練資料 𝑋𝑋 從訓練資料中找出規則 反覆迭代運算 Not Dog Dog 圖片來源：https://twitter.com/teenybiscuit
- 20. 20 監督式學習 非監督式學習 強化學習 機器學習 學習策略 給定X跟Y，學出f(X) 回歸 分類 9成以上的應用都是屬於此 Learning Known Patterns 給定X，學出f(X) 密度評估 分群 Learning Unknown Patterns AlphaZero、AlphaStar就是利用強化學習 讓機器左右互搏，最終得到打遍天下無敵手的f(X) 基於環境而行動 依據獎勵，不斷調整模型 最終得到f(X) 使利益最大化 棋類 遊戲 Generating Data & Learning Patterns
- 26. 26 專家 系統 傳統 機器 學習 深度 學習 特徵工程輸入 機器學習 模型 分類 Cat Not Cat 輸出 專家制定規則輸入 Cat Not Cat 輸出 輸入 深度學習 模型 特徵工程 + 分類 Cat Not Cat 輸出 比較專家系統、機器學習、深度學習 以分類任務為例
- 27. 27 「機器學習」 與 「統計」 方法相似，目的不同 資料來源： 陳昇瑋(2019)，《人工智慧在台灣》 機器學習用了很多統計的方法，它們之間有何不同?
- 28. 28 「機器學習」 與 「統計」 方法相似，目的不同 統計 基於「樣本」探求「真相」 機器學習 從歷史資料，學習如何處理新的資料 資料來源： 陳昇瑋(2019)，《人工智慧在台灣》 項目 統計 機器學習 學科 科學 工程 目的 見微知著 用已知預測未知 輸入 小樣本 樣本(能小就小，但不是重點) 輸出 全域資料的結構 能預測未知的模型 技術 解析解為主 數值解為主 全台2300萬人 能否只選出1000人，各問他們幾個問題 就瞭解全台的 生活型態、就業狀態及政治傾向? • 從醫生的X光判讀結果，學習怎麼看新的X光片 • 從購物紀錄，猜測他下一次會買什麼 • 從刷卡及繳費行為，預測他若借錢能否準時還款
- 30. 30 • 人臉辨識 • 車流計算 • 產品瑕疵檢測 • 車牌辨識 • 下棋 • 來客量預測 • 信用卡盜刷 • 個人化行銷 • 個人信用風險預測 • B2B 訂單預測 • 自駕車 • 程式交易• 新創表現預測 • 經濟表現預測 • 預測戰爭 • 災害處理 • 颱風路徑預測 • 最佳排程預測 • 醫療診斷 • 設備故障預測 樣本少 樣本多 高度情境相關 低度情境相關 AI擅長 AI不擅長 AI可行 AI可行 資料來源： 陳昇瑋(2019)，《人工智慧在台灣》
- 32. 32資料來源：https://deepmind.com/blog/machine-learning-can-boost-value-wind-energy/ G o o g l e 利 用 A I 預 測 未 來 3 6 小 時 風 力 發 電 量 發電 應用於美國中部，裝置容量700MW的風力發電場域 天氣預報 X 歷史渦輪機數據 X 深度學習 提前一天對電網做出最佳的每小時交付承諾 我們無法消除風的變化，但可用機器學習使風力更具預測性與價值。 提高風能價值 20%
- 33. 33 G o o g l e 無 人 資 料 中 心 利 用 A I 進 行 冷 卻 控 制 節能減碳 資料來源：https://deepmind.com/blog/safety-first-ai-autonomous-data-centre-cooling-and-industrial-control/ PUE = 資料中心中IT設備的總用電量 資料中心總用電量 PUE越低代表 非IT設備(冷卻等)的用電量越低 冷卻用電降低 40% 整體用電降低 15% 可擴展應用至： 1. 提高發電廠轉換效率 2. 減少半導體所需能源和水的使用 3. 幫助製造設施提高產量 感測器數據 X 深度學習 • Temperatures • Power • Pump speeds • Setpoints
- 34. 34 G o o g l e 無 人 資 料 中 心 利用AI進行冷卻及工業控制 節能減碳 資料來源：https://deepmind.com/blog/safety-first-ai-autonomous-data-centre-cooling-and-industrial-control/ 再精進
- 35. 35 其他還有Power System Data Analysis Building Energy Consumption PredictionEnergy Markets Energy Systems Energy Demand Prediction Optimal Energy PriceBusiness Recommendation Engine Optimize Contracted CapacityCalibration of Photovoltaics Scale EV Charging Station . . .
- 36. 36 結論
- 39. 參考文獻 1. What is the Turing test? http://humashah.blogspot.com/2016/10/what-is-turing-test.html 2. 李宏毅(2017)， Machine Learning，臺灣大學 http://speech.ee.ntu.edu.tw/~tlkagk/courses.html 3. 林軒田(2018)， Machine Learning Foundations，臺灣大學 https://www.csie.ntu.edu.tw/~htlin/course/ 4. 林軒田(2018)， Machine Learning Techniques，臺灣大學 https://www.csie.ntu.edu.tw/~htlin/course/ 5. 內政部(2018)，內政空間統計大數據研討會 6. 陳昇瑋(2019)，《人工智慧在台灣》，天下雜誌出版 39