Contents ...
udn網路城邦
當我的常識與MNIST的答案衝突時,我選擇我的常識!
2026/11/20 09:02
瀏覽57
迴響0
推薦0
引用0

現在已經開始將我用MNIST資料開發的辨識核心應用到真實文件影像了!偶爾還是會出現例外,如上圖上的3字用原來版本會辨識成9!但追蹤錯誤源頭是在3與7二選一時就誤認為7了!所以針對錯誤點微調之後可以辨識成3了!但是重跑MNIST就發現上圖下MNIST宣稱是7的案例也被辨識成3了!

這表示我的MNIST考卷多錯了一題,辨識率變成99.921%,下降了0.003%!但是我一再檢視思考都覺得那個MNIST說的7還比較像3!應該沒有人會寫出一個如此圓頭的7字吧?此時就是我的常識與MNIST標準答案之間的衝突矛盾了!如果被MNIST綁架,就是想保持高分就必須犧牲我的真實案例辨識率,或是想個更不合理的Overfitting條件讓那個奇怪的「7」還是可以產生標準答案了!

最後我決定面對現實,犧牲一點點我的MNIST考卷分數!將辨識核心改成兩個案例都會辨識成3的狀態!因為讓我的辨識核心更符合真實世界一般人的常識認知,是比MNIST的辨識率分數更高更合理,也更有意義價值的標準!MNIST之中太畸形異常的案例就不要太遷就它們了!那只是一次考試成績而已!只是某個老師主觀硬派的標準答案不必當成是聖經!

這就是Rule based方法的基本精神!用科學,用常識,甚至用直覺建立出最合乎一般人認知的辨識邏輯條件!我覺得這才是真正在模擬人的「智慧」!也才是最道地的「人工智慧」!也就是AI啦!機器學習其實只是統計學根據某些資料標記的主觀答案捏塑出來的模型,其實只能說是「間接」的AI!

所以不要誤以為Rule based是過時的AI技術?事實上它是比ML/DL/CNN更精準有意義的AI技術!只是要實踐發揮出它的功能,就必須對人類的認知過程與內涵有更深入的理解,也就是要實現更具體的人類智慧的逆向工程!不是做不到,只是很困難!不是真正的專家很難深入研發!

相對的,ML/DL/CNN只是一個囫圇吞棗的機率統計結果,只能產生無法解釋的黑盒子!成本還非常的高!所以如果可以用Rule based實現的AI就絕對不應該採用ML/DL/CNN!那是比較低效率高成本還缺乏科學意義價值的研發投資!不要被他們可以不知而行的速成表面績效誤導了!

這也衍生出一個值得深思的問題,就是我們要培養的下一代影像辨識專家,是只會熟練操作ML/DL/CNN的人才?還是真正懂得影像辨識知識、原理與處理技術的人?前者是完全無法實作Rule based AI的!只能永遠在黑盒子之外隔靴搔癢!現在各大專院校研究所的課程走向就是這樣的!真的非常讓人憂心!


限會員,要發表迴響,請先登入