學貫中西(4)：AI的時序性推論技能

1   復習：ML的智慧表達形式

上一期說明了人工智能（AI）（ML，機器學習）的推論技能，和其基于事物或現象之間的關聯性( 或稱相關性)。例如，大家都熟悉氣候的運行規律：春暖 → 夏暑 → 秋涼 → 冬寒 → 春暖 → …。四季更替、周而復始，如圖1 所示。這項人類已知的智慧( 即關聯性)，就可以讓機器( 計算機) 來學習、記憶它，然后依據它進行推論或預測。

圖1 四季更替規律

于是，我們把這項關聯性( 知識) 排列在Excel 畫面上，從X 對應到Y( 參見圖2)。在上一期里已經介紹過獨熱編碼(OHE，One-Hot Encoding)，這樣就可以讓機器來學習人類已知的智慧了。

圖2 四季的關聯性示意

此時， 機器會建立兩組神經元之間的連結(Connection)，并且賦予一個權重(Weight) 值來表示它所學習到的關聯性，參見圖3。接下來，按下“學習”按鈕，就展開機器學習，來記春暖([1000]) 與夏暑([0100])之間的相生關系。于是權重( 值) 就會發生變化，如圖4 所示。

圖3 學習的關聯性

圖4 里的線條寬度表示權重( 值) 的大小。這樣就記住了春暖與夏暑之間的關聯性了。那么，ML 就藉此神經網絡就繼續學習更多關聯性，例如學習并記住了上述的所有關聯性了，如圖5 所示。并且輸出于Excel 畫面上，如圖6 所示。

圖4 權重值的變化

圖5 機器學習的關聯性變化

圖6 權重的變化關聯

以上幫您復習了，如何展開機器學習，來記住事物之間的關聯性。

2   擴大：欣賞ML的時序性推論技能

在本節里，來舉大家也熟悉的唐詩韻律，說明其時序性的關聯性。例如，最典型的五言詩韻律：“仄仄平平仄， 平平仄仄平”。其中具有時間順序性的關聯性，所以稱之為韻律。此韻律里包含兩項名目：“平”和“仄”。于是就采取OHE 編碼：以^[10] 代表“平”；并以[01]代表“仄”。接下來，我們可以觀察到其中的各種時間順序性的關聯性。例如，從連續兩個字的韻律，就能推論出第3 個字的韻律( 平或仄)。例如，連續兩字的韻律是“仄仄”，其后續字的韻律是“平”。再如，連續兩字的韻律是“平仄”，其后續字的韻律是“仄”，如圖7 所示。

圖7 平仄推理的關聯性

于是，我們把上述的關聯性排列在Excel 畫面上，從X[] 對應到Y[]。并且按下“學習”按鈕，機器就迅速學習，以權重值來表示其關聯性，如圖8 所示。

圖8 平仄權重的變化

這些權重代表這些相關事物的連結，如圖9 所示。ML 利用這個神經網絡(NN) 模型，來記住其關聯性?；谶@個模型里的權重，就能進行推論。例如，您問它：連續兩字的韻律是“平仄”的話，其后續字的韻律是什么呢? 此時，ML 立即取出記憶中的權重來計算，其計算公式是：X[] * W[] = Y[]。就計算出Y[] 值是：[0.5, 1.5]，最接近于[0, 1]，意味了是韻律“仄”，如圖10 所示。

圖9 權重關聯性示意

圖10 平仄權重關聯變化

由于“平仄仄”是有時序性的關聯，我們就稱之為時序性的推論。同樣地，一個句子“寒江雪”三個字之間也有時序性關聯。ML 也能利用神經網絡(NN) 模型，來記住其關聯性。這句子里包含三項名目：“寒”、“江”和“雪”。于是就采取OHE 編碼：以 [100] 代表“寒”；以[010] 代表“江”；以[001] 代表“雪”。其中最基本的時序性關聯是：

●   第1 個字是“寒” → 后續的字是“江”；

●   第1 個字是“寒”，且第2 個字是“江” → 后續的字是“雪”。

于是，我們把上述的關聯性排列在Excel 畫面上，從X[] 對應到Y[]。并且按下“學習”按鈕，機器就迅速學習，以權重值來表示其關聯性，如圖11 所示。

圖11 學習推論的示意

ML 學習完成了，就記住其關聯性，并能進行推論。例如，按下“推論”按鈕，就出現“江”( 圖12)。再按下“推論”按鈕，就出現“雪”( 圖13)。

圖12 江字后的推論

圖13 雪字后的推論

這展現了ML 進行時序性推論的技能。

3   一次學習多個語句

剛才學習了一個句子“寒江雪”。現在，可增添更多的語句，讓機器學習更多。例如，一次學習兩句子“寒江雪”和“江南曲”。ML 也能利用神經網絡(NN)模型，來記住其關聯性。這兩個句子里包含5 項名目“寒”、“江”、“雪”、“南”和“曲”。分別給予一個OHE 編碼。其中最基本的時序性關聯是：

●   第1 個字是“寒” → 后續的字是“江”；

●   第1 個字是“寒”，且第2 個字是“江” → 后續的字是“雪”；

●   第1 個字是“江” → 后續的字是“南”；

●   第1 個字是“江”，且第2 個字是“南” → 后續的字是“曲”。

于是，我們把上述的關聯性排列在Excel 畫面上，從X[] 對應到Y[]。并且按下“學習”按鈕，機器就迅速學習，以權重值來表示其關聯性，如圖14 所示。

圖14 全句學習權重和推論示意

ML 學習完成了，就記住其關聯性，并能進行推論。例如，按下“推論”按鈕，就出現“南”。再按下“推論”按鈕，就出現“曲”，如圖15 所示。

圖15 曲字后的推論示意

這展現了ML 可以同時學習更多語句，并進行時序性推論。

4   結語

從大數據中探索潛藏的關聯性，是ML 的亮麗技能。在本節里，展現了ML 在時序性規律的學習、表達和推論?；谶@項技能，還有更多有趣的應用，期待您繼續來欣賞。

（本文來源于《電子產品世界》雜志2022年2月期）