神經網路?機器學習? Q熊寶貝到底是怎麼算出答案的?

Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Phasellus varius tempor tellus, auctor commodo.

熊寶貝，使用目前最先進的AI深度學習方式進行哭聲辨識。那麼，什麼是深度學習呢?試想一下，如果我們是一個程式工程師，想要建立一個哭聲分類器，也就是利用哭聲辨識寶寶需求的程式，我們該怎麼做?一般來說我會先掃描聲音，並且抽取特徵，例如：哭聲的大小，哭聲音高，哭泣的時間、哭泣間歇時間等等特徵，做一個簡單的分類器，以此來辨別寶寶需求，例如：哭得比較大聲可能是肚子餓了，哭的比較尖銳(音高較高)就是身體不舒服。

但是這麼做的話，我們很快就可以理解到一個問題：以上都是工程師依照結果論，以自己的想法去建立的分類器，準確度堪慮，而且往往帶著設計者的偏見。另一方面，單純憑藉人類聽覺，就要鑑別寶寶的需求，實務上是有困難的，就算是世界上最厲害的數據科學家與工程師，也很難建立一個全面性的分類器。不過，如果我們倒過來思考，我們先蒐集具備正確答案的數據，再利用電腦根據數據，自行建立分類的程式呢?而這便是機器學習的核心：「利用數據讓機器自己學習」

我們只要蒐集很多的哭聲資料，經過工程師抽取哭聲大小、哭聲音高、哭泣時間等特徵參數，通通送給電腦做學習，電腦會自動判斷哪些項目是重要的，或是特徵之間如何交互影響(例如：哭聲又尖銳又大聲代表肚子痛)，如此就可以避免設計者的主觀偏見，由機器來協助我們建立一個客觀的分類器。

但是，這樣仍然不夠，特徵抽取仍然是由工程師所撰寫，實際上可能很多特徵我們可能也沒注意到。如果我們盡可能地抽取特徵，例如：抽取多達五千個特徵，甚至我們直接將原始哭聲資料，不做任何特徵抽取，直接通通送給機器去做判斷，理論上就能進一步提高分類器的效能。實務上，我們會設計多層隱藏層，讓原始資料輸入經過多層隱藏層，在收斂的過程中完成自動抽取特徵的過程，也就是說，我們希望連特徵抽取，都是由機器來自動完成，如此便可以最小化人類的偏見與誤差，利用多層隱藏層的技術，也就是所謂的深度學習。

Q熊寶貝，使用的便是深度學習技巧，利用月子中心幫我們蒐集大量的哭聲數據，搭配我們專利的資料優化技術與精心設計的神經網路進行深度學習訓練，以達到自動抽取特徵並自動分類的任務。目前初始化的機器的預測能力已經可以達到80%，但是我們仍然需要進一步提高準確率，因此在本產品中，我們引入了遷移式學習(Transfer learning)，遷移式學習的核心在於，我們一樣要利用大量數據完成模型訓練，但只需要少量數據訓練，便可以快速轉移到不同的場景與目標，也就是你家的嬰兒室以及你們家的寶貝。

在實務上，我們仍然需完成大量資料的訓練，並保持最後一個隱藏層之前的所有數據不動，以此實現「從原始資料抽取特徵」的過程。並由利用最後一層進行遷移學習，也就是最後一層稠密網路的參數將會由使用者根據特定場景進行訓練，在如此架構下，準確率可高達90%

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Cras eget mollis leo. In ultricies sit amet justo ac tincidunt. Integer volutpat enim non velit pellentesque, a placerat dolor ullamcorper. Phasellus ac dolor velit. Nam molestie turpis sit amet diam lobortis sagittis.

Vivamus vehicula felis eget lectus laoreet finibus. Pellentesque luctus odio sapien, at suscipit mi malesuada non. Duis elementum cursus auctor. Morbi quis mattis tortor. Duis quis tortor sed sapien tincidunt ultrices tempor et ligula. Sed finibus, sem elementum tincidunt tempor, ipsum nisi ullamcorper magna, vel dignissim eros sapien at sem. Aliquam interdum, ante eget sagittis fermentum, mauris metus luctus sem, at molestie lorem.

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Cras eget mollis leo. In ultricies sit amet justo ac tincidunt. Integer volutpat enim non velit pellentesque, a placerat dolor ullamcorper. Phasellus ac dolor velit. Nam molestie turpis sit amet diam lobortis sagittis.

Vivamus vehicula felis eget lectus laoreet finibus. Pellentesque luctus odio sapien, at suscipit mi malesuada non. Duis elementum cursus auctor. Morbi quis mattis tortor. Duis quis tortor sed sapien tincidunt ultrices tempor et ligula. Sed finibus, sem elementum tincidunt tempor, ipsum nisi ullamcorper magna, vel dignissim eros sapien at sem. Aliquam interdum, ante eget sagittis fermentum, mauris metus luctus sem, at molestie lorem.