AI 技術的落地

從 2013 年開始的《深度學習技術》大幅的改進了《人工智慧 AI》領域的品質與正確率，像是 CNN 卷積神經網路在影像辨識上的正確率幾乎已經可以與人類匹敵，而 BERT 這樣的技術在自然語言領域，像是機器翻譯上，也差不多達到了近乎人類翻譯的品質。

在影像辨識領域，AI 技術的落地似乎比較不是問題，像是《大規模的人臉辨識》等等應用已經在《中國》與 Amazon Go 商店等領域應用得不錯了，但是在《自然語言處理》領域，還有《醫療領域》，AI 技術的落地似乎就遭到了不少困難。

AI 難以落地的困境

在自然語言理解上，雖然 Siri 和 Google Home 之類的應用已經上線，但是真正能幫助使用者的方似乎並不多，因此這些應用成為《看起來很好，但卻沒什麼人真正使用》的《叫好不叫座》型技術。

而在自然語言的機器翻譯領域，由於 2014 年的 word2vector 技術，2015 年的 seq2seq 技術，與 2018 年的 BERT 技術之改進，已讓機器翻譯之水準達到相當不錯的品質，但是卻很少看到人們在《跨語言溝通》的場合真正使用像 《Google 語音翻譯》這類的應用，翻譯技術在《落地》上似乎出了一些問題。

在醫療領域，落地的問題似乎更大，原本 IBM Watson 預計進軍醫療領域後會成功獲利，但後來卻傳出了《難以落地》而導致該團隊大幅裁員。

問題在哪裡？

目前我看到的 AI 落地困難大致有兩個因素，第一個是《使用者體驗 UX》(User Experience) 的困難，第二個是《整體環境難以搭配》的困難。