要辨識上面這麼模糊的案例，如果要靠巨量資料來訓練？簡直是天方夜譚！首先要刻意製造或收集這麼多這種模糊邊緣的影像就很困難！在辨識現場多半被視為無法辨識的垃圾直接拋棄了！即使沒有被丟掉，你想刻意挑出它們一一做標記，就是用人工辨識寫出標準答案作為訓練材料，也是極為耗費人力的工作。我手上有數萬張車牌照片！這種模糊程度的也不到百張，要做為訓練資料是絕對不夠的！

我們就做最樂觀的假設！如果投入以上的高成本準備工作之後，真的能依賴ML或DL的技術訓練出可以辨識成功的模型好了！因為影像模糊不確定性高，你的模型就必須非常複雜才能累積調整出非常敏感細微的廣用辨識經驗，這表示模型訓練需要的資料量與運算量都極高！硬體設備與時間的成本也很高！產品研發是否成功還在未定之天時，你的錢大概已經燒光了！

假設你就是那麼有錢有閒可以順利完成上面的「研發」工作，真的做出了可以辨識那麼模糊狀況的車牌！但是總有辨識錯誤失敗的時候！我們賣產品給客戶時，客戶遇到辨識失敗當然會問「為什麼」這張影像會辨識失敗？軟體可以針對問題優化改善嗎？我在現場應該如何調整會更容易辨識成功？

此時使用機器學習或深度學習的廠商就尷尬了！因為訓練出來的模型是使用甚麼辨識流程與邏輯？連操作訓練的RD工程師也不知道的！很諷刺的說法是「機器」是學會了！但是「你」沒有學會！而且你也沒辦法要求模型解釋它為何這樣辨識？因為機器也只是根據你提供的標準答案盡量配合猜測出來的！不是根據任何科學物理原理原則！簡單說就是根本「沒道理」可說的！

嗚呼哀哉！你的售後服務就完全破功了！只能像乩童一樣，說這是AI大神的旨意！天機不可測！這樣的影像辨識產品要如何銷售維護呢？更何況我說的是「如果」這套方法真的可以做出辨識率很高的軟體！生成式AI是已經證明可以做出很多聰明事了！但是用機器學習做出來的商用級AI影像辨識軟體呢？我在這個行業那麼多年都幾乎沒見過！比較像是神話？或是海市蜃樓！

還好我們不必用CNN、ML與DL等技術就可以做很多影像辨識了！事實上幾乎所有的暢銷商業級影像辨識產品都「不是」用ML、DL與CNN做的！如上我的辨識方式只是進化版的OCR技術而已！如果無法一次做出完整的辨識，就根據部分的線索繼續做科學推理，725是清楚的，就以它們為基礎去推理其他看不到看不清楚的字在哪裡？是甚麼字？

重點是：這種研發產品的方式成本很低！不需要巨量資料！不需要大量人力做標記！不需要超級電腦做訓練！只需要一個受過良好科學訓練的RD！更重要的是：即使我的產品不完美，辨識錯誤客戶質疑時，我一定可以逐步分析解釋為何產生錯誤的過程細節！即使不能立即優化軟體，也一定可以給客戶一個合理的交代或建議。

所以我不用CNN、ML與DL作影像辨識研發產品其實是非常合理，甚至也是不得已的選擇！如果我用了那些技術，輕則研發進度卡卡，重則已經破產倒閉了！這是非常清楚不過的事實！影像辨識的研發場域早已經屍橫遍野災情慘重了！我希望有更多人看到並理解真相，不要再盲目受騙了！