人工智慧在電子商務的應用 - 政大學術集成

全文

(1)國立政治大學經營管理碩士學程全球企業家班碩士論文. 人工智慧在電子商務的應用政治. 大. 立. sit. y. ‧. ‧ 國. 學. Nat. 指導教授：謝明華博士. n. al. er. io. Advisor : Ming-Hua Hsieh, Ph.D.. Ch. engchi. i n U. v. 研究生：莊俊辰. 中華民國一 O 八年一月 January, 2019. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(2) 摘要近年來，科技的快速使得人工智慧技術快速竄起，各種數據挖掘技術在整個在線零售領域皆得到廣泛採用，並結合了一系列關於客戶可用性和價值的知名業務指標，例如顧客購買鄰近度（Recency），頻率（Frequency）和貨幣（Amount）之 RFM 模型，以及客戶生命價值模型等，對於英國和國際上的許多在線零售商，尤其包含電商龍頭亞馬遜（Amazon）、沃爾瑪（Walmart）、樂購（Tesco）等領先之電子商務公司，數據挖掘已成為一種普遍之方法，透過創建以客戶為中心的商業智能和支持以客戶為中心的營銷的業務流程的組成部. 治政大本文透過 UCI 資料庫中，在英國在線零售之消費數據資料，應用 RFM 模立型的架構，並使用 K-means 聚類模型將顧客做分群，其中，每一群體皆具有其分亦發展成熟，數據挖掘技術獲得市場競爭優勢的重要工具。. ‧ 國. 學. 劃分之價值與意義，可清楚識別每個族群市場中的消費者特徵，進一步進行數據分析已提供企業以客戶為中心的行銷策略，更顯示現代在線零售業和數據挖. ‧. 掘技術分析，所帶來的數據訊息其重要性日益增加，運用 Python 之開源軟體. sit. y. Nat. Scikit-Learn 之聚類分析模型 K-Means 進行數據分析，為未知客戶資料進行分. io. er. 類，此外，透過聚類分群結果將資料分群並貼上標籤，再使用機器學習之監督式學習模型--決策樹分析演算法建構分類模型，將已貼標籤之資料分割為訓練. n. al. Ch. i n U. 模型以及測試模型以進行建構、分析模型之配適度。. engchi. v. 根據本文實證分析結果發現，由於聚類分析之分群結果每一群體之資料個數差異較大，對企業較有利之客戶（類別 2）於 8,082 個客戶中僅包含 26 個客戶，因此建構決策樹模型精確度較低，整體精確度約為 74%，其中，類別 2 之客戶皆無正確被分類，由結果可說明蒐集資料好壞之重要性，因此，資料蒐集量增加、數據前處理以及使用多種模型進行配適度分析，皆可改善其結果。. 關鍵詞：機器學習、深度學習、監督式學習、非監督式學習、聚類分析模型、決策樹分析模型、Python、Scikit-Learn、電子商務、零售業. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(3) 目錄第壹章緒論 .................................................................................................................. 1 第一節研究背景與動機 ....................................................................................... 1 一、市場現況................................................................................................ 1 二、零售業市場現況.................................................................................... 3 第二節研究目的 ................................................................................................... 5 第貳章文獻回顧 .......................................................................................................... 6 第一節人工智慧（Artificial Intelligence, AI） ................................................ 6 一、人工智慧（AI）的演進 ....................................................................... 6. 政治大. 二、人工智慧（AI）的應用......................................................................... 9 第二節傳統機器學習技術 ................................................................................. 11. 立. ‧. ‧ 國. 學. 一、監督式學習（Supervised Learning）： ................................................ 11 二、強化學習（Reinforcement Learning）： .............................................. 15 三、無監督式學習（Unsupervised Learning）： ........................................ 15 第三節深度學習技術 ......................................................................................... 17 一、卷積神經網絡（Convolutional Neural Network, CNN） ................. 18. y. Nat. 二、遞歸神經網絡（Recurrent Neural Network, RNN） ........................ 20. sit. er. io. 第四節零售業市場現況 ..................................................................................... 23 一、全球零售業市場概況 ........................................................................... 23. al. n. v i n Ch 第參章人工智慧技術 ................................................................................................ 28 engchi U 二、零售業面臨的挑戰 ............................................................................... 25. 一、 Scikit-Learn：...................................................................................... 32 二、 TensorFlow .......................................................................................... 35. 第肆章實證分析 ........................................................................................................ 38 第一節資料來源與研究對象 ............................................................................. 38 第二節 RFM 模型之聚類分析 ........................................................................... 40 一、數據前處理（Data pre-processing） .................................................. 41 二、基於 RFM 模型之聚類分析（Clustering） ....................................... 42 三、類別資料之決策樹分析（Decision Tree） ....................................... 47 第伍章結論與建議 .................................................................................................... 49 參考文獻 ..................................................................................................................... 50 2. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(4) 圖表目錄圖表 1- 1 2016 年人工智慧領域的外部投資(US$ billion) ................................... 2. 圖表 2- 1 人工智慧的投資 .................................................................................... 10 圖表 2- 2 支持向量機模型 .................................................................................... 14 圖表 2- 3 2018 年全球高成長前五大零售業者 .................................................... 27. 圖表 3- 1 人工智慧、機器學習及深度學習之關係 ............................................ 28 圖表 3- 2 GitHub 上受歡迎的機器學習專案 ...................................................... 30 圖表 3- 3 主要編程語言之成長趨勢圖 ................................................................. 30. 政治大. 圖表 3- 4 Scikit-learn 提供的 machine learning 算法地圖 ............................... 32. 立. ‧ 國. 學. 圖表 4- 1 UCI 電子商務零售業消費者 ................................................................ 39 圖表 4- 2 RFM 模型之資料結構 ........................................................................... 41. ‧. 圖表 4- 3 消費者之類別資料結果 ......................................................................... 43 圖表 4- 4 聚類分析分類結果圖 ............................................................................. 43. y. Nat. sit. 圖表 4- 5 聚類分析結果 ......................................................................................... 43. n. al. er. io. 圖表 4- 6 顧客鄰近度與消費頻率之關係 ............................................................. 44. i n U. v. 圖表 4- 7 顧客鄰近度與消費總金額之關係 ......................................................... 44. Ch. engchi. 圖表 4- 8 消費頻率與消費總金額之關係 ............................................................. 44 圖表 4- 9 類別 0 消費者之變數機率密度圖 ........................................................ 46 圖表 4- 10 類別 1 消費者之變數機率密度圖 ...................................................... 46 圖表 4- 11 類別 2 消費者之變數機率密度圖 ....................................................... 46 圖表 4- 12 Decision Tree Model 之精確性（混淆矩陣）................................... 47 圖表 4- 13 Decision Tree Model 之決策圖........................................................... 48. 3. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(5) 第壹章緒論第一節研究背景與動機一、市場現況人工智慧（Artificial Intelligence, AI）歷經多年的發展，目前已形成一股不容忽視的技術浪潮，Google 於 2015 年底公布了 TensorFlow 開源軟體庫，至 2016 年已成為受歡迎的機器學習開園專案，支援了各種深度學習（Deep Minging）的演算法，尤其 2016 年 Google DeepMind 開發了人工智慧圍棋程式. 政治大. AlphaGo，並成功於 2016 年戰勝棋王，顯示了人工智慧未來凌駕於人類的可能性。. 立. 人工智慧每天皆非常迅速成長，除了簡化醫療保健行業的工作流程、減少. ‧ 國. 學. 了教育部門行政任務的工時外，同時也降低了製造業的管理成本，由 Adobe 研究中，現在約有 15%企業正在使用人工智慧，也預計未來 1 年將會成長至 31%. ‧. 左右，更統計了 2013 年以後至今，需要人工智慧的工作需求增加了約 450%，. sit. y. Nat. 由於網路的普及，大數據及機器學習的人工智慧持續的發展與進步，使人工智. io. er. 慧在近幾年有更大的技術突破，其中，人工智慧技術包含人工神經網絡（Deep Learning）、大數據的機器學習（Machine Learning）以及計算機視覺和語言，. n. al. Ch. i n U. v. 而計算機視覺和語言包含自然語言處理（Nature Language Processing, NLP）、. engchi. 文本分析、語音辨識與語意技術，由圖 1-1 可知，機器學習（Machine Learning）吸引約 50 億至 70 億元美金的投資金額，約佔了投資金額的 60%，投資意願相當高。金融產業不僅結合創新科技，且創造新商業模式，使金融創新技術越來越受矚目，其中，金融創新技術主要針對金融機構中勞動密集性、重複性較高，或需要處理大量資料的繁雜作業，較無效率的工作流程進行「去中介化」，有助於減少傳統人力資源，並透過機器縮短加工生產的週期，並取代人力費時的操作過程，除此之外，金融創新技術亦可將作業風險降低，改變了傳統金融業者的獲利結構，改變全球的零售金融業，包含第三方支付、小額借貸、投資與財富管理等。. 1. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(6) 2018 年 8 月 Juniper Research 預測，零售業在 2022 年投資於機器學習的成本會大幅提升將近四倍，若零售業也致力投資於人工智慧，能更改進對顧客的服務品質，包含提供顧客量身訂做的自動化行銷平台，不但可即時報價，亦能提供即時服務聊天之機器人，且研究將人工智慧分為三大類型，第一為弱人工智慧（Artificial Narrow Intelligence , ANI），其解決問題注重於較狹隘的領域與主題，再者為強人工智慧（Artificial General Intelligence , AGI），具有廣泛解決問題的能力，其表現具有人類水準，最後為超級人工智慧（Artificial Super Intelligence , ASI），其表現不但具有人類水準，更可能在相同目標下贏過人類的表現。而零售業主要應用人工智慧的兩大關鍵趨勢，其一為個人化需求，在競爭激烈的環境中，若能提供一個較同業具有引人注目的差異化因素，與傳統. 政治大天機器人與目標行銷，更能為零售業達到策略目標；第二關鍵則為奢侈品企立. 的顧客服務相比，不僅能維持服務準確性，也能提供更好的服務品質，例如聊. ‧ 國. 學. 業，由於小型零售業難以負擔人工智慧的高成本，使奢侈品企業為較早應用人工智慧之零售業，主因為奢侈品非常仰賴顧客的購買，其消費型態較不同於一. ‧. 般產品，所期望的服務亦不同，而運用人工智慧技術可提升顧客購買的機會，因此若能使人工智慧的技術更加普遍且成本較為低廉時，其他小型零售業也將. y. Nat. n. er. io. al. sit. 能夠跟進運用人工智慧的技術。. Ch. engchi. i n U. v. 圖表 1- 1 2016 年人工智慧領域的外部投資(US$ billion) 資料來源：McKinsey Global Institute (Bughin et al., 2017) 2. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(7) 二、零售業市場現況因應全球化的趨勢、科技快速的發展使得電商通路的發展一日千里，造成傳統零售業面臨一大挑戰，在線零售銷售的顯著增長顯示了消費者購買和使用金融服務的方式已經發生了根本性的變化，與傳統零售商店中的購物方式相比，網上購物具有一些獨特的特點，例如在線零售之顧客的購物每個顧客的購物流程和活動都可以即時，準確地跟踪，每個顧客的訂單通常與送貨地址和帳單地址相關聯，每個顧客有一個在線商店帳戶，提供必要的聯繫和付款信息。而透過在線購物的特徵使得在線零售商可以透過每個客戶之購買資訊，對顧客進行個性化的分析，並以客戶為中心的商業智能分析以提供行銷策略，在線零售業者時常關注的議題為客戶對哪些商品具有興趣，因此對於客戶瀏覽的產品. 政治大. 網頁可提供零售業者相當重要的資訊，且客戶在每個網頁上所停留的時間，抑. 立. 或是瀏覽過哪一系列之商品網頁等資訊，皆可帶來消費者的資訊，並可從中挖. ‧ 國. 學. 掘出具有價值之顧客，以及其獨特之處，隨著顧客消費型態的改變，重心漸漸轉移至電子商務通路，使得零售業者不得不轉型以維繫故有之顧客，此外，新. ‧. 一代之消費者對於產品品牌之忠誠度相較於過去消費者低，其特色以及購買行為模式，更是在線零售業者欲關注之議題之一。在行銷分析中，亦可透過其消. y. Nat. sit. 費行為以觀察產品之間之相依需求，意即有哪些產品顧客會同時購買，其購買. n. al. er. io. 產品之順序等，各種消費模式皆可謂在線零售業者帶來許多資訊。以零售業為. i n U. v. 例，中國阿里巴巴買下中國大潤發，關鍵因素為阿里巴巴旗下的電商平台天貓. Ch. engchi. 於 2018 年完成了「天貓新零售」的改造，其三大核心策略分別為門市數據化改造、多業態多通路發展、重新定義大賣場，天貓加上大潤發，線上與線下銷售接軌，大潤發聯手天貓、盒馬先生推出「1 小時送達服務」以吸引門市所在地相近的年輕人；美國電商龍頭亞馬遜（Amazon）於 2017 年買下以高價有機食品聞名的美國全食超市（Whole Foods），走向新零售的趨勢，對於亞馬遜而言，過去即有推出 Amazon Fresh 的生鮮商品運送服務，藉由 Whole Foods 既有的商品網路進一步擴展旗下生鮮商品事業，另一方面，Whole Foods 亦可透過亞馬遜的資源與品牌聲譽，幫助企業與其零售商競爭者在此激烈的零售市場中脫穎而出。利用人工智慧以及大數據分析，讓製造業可更具服務化、客製化，更可預測消費者需求並提供量身訂做的商品，進行精準行銷與服務，使線上、線. 3. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(8) 下以及物流整合為一體。電商通路可藉由網路與顧客接觸，加上藉由人工智慧在大量數據中尋找特定的消費模式，讓業者可充分利用已知的顧客喜好特性，為未知顧客的偏好提供建議，透過人工智慧以及機器學習能夠利用銷售、消費者以及各種數據資料，以提升網路搜尋的功能，更可透過客戶資料以及顧客所接觸之商品屬性進一步預測消費者對新商品以及新風格的需求，美國電商龍頭亞馬遜（Amazon）已於 2013 年獲得「預期出貨（anticipatory shipping）」的專利，不僅考量了季節性的需求，亦考量天氣、人口統計以及獨特的顧客消費模式所帶來的影響，隨著人工智慧的快速發展，各行業領域透過大數據以及人工智慧技術的多元性來了解現代社會的需求，並藉由機器深度學習給予產業進行更精準的市場預測。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 4. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(9) 第二節研究目的綜合上述的動機，科技的快速發展下，數據挖掘技術亦在整個在線零售領域得到廣泛採用，並結合了一系列關於客戶可用性和價值的知名業務指標，例如顧客購買鄰近度，頻率和貨幣（Recency Frequency Monetary, RFM）模型，以及客戶生命價值模型，對於英國和國際上的許多在線零售商，尤其是包括亞馬遜（Amazon）、沃爾瑪（Walmart）、樂購（Tesco）、EasyJet 等領先之龍頭公司，數據挖掘現今已成為一種普遍之方法，以及創建以客戶為中心的商業智能和支持以客戶為中心的營銷的業務流程的組成部分，儘管許多著名的在線零售品牌都將數據挖掘技術作為獲得市場競爭優勢的重要工具，但仍有許多. 治政大知識和專業知識，因此本文欲介紹了一種在線零售商使用數據挖掘技術進行以立客戶為中心的商業智能的案例研究，透過 UCI 資料庫中，在英國在線零售之消較小的品牌和新進入者熱衷於以消費者為中心的營銷，但在技術上缺乏必要的. ‧ 國. 學. 費數據資料，應用 RFM 模型的架構，並使用 K-means 聚類演算法將顧客做分群，而每一族群具有其劃分之價值與意義，可清楚識別每個族群市場中的消費. ‧. 者特徵，進一步進行數據分析已提供企業以客戶為中心的行銷策略，更顯示現. sit. y. Nat. 代在線零售業和數據挖掘技術分析，所帶來的數據訊息其重要性日益增加。本. io. er. 文將採用 Python 之開源軟體 Scikit-Learn 之聚類分析模型 K-Means 進行數據分析，另外再透過聚類分群結果將資料分群並貼上標籤，使用決策樹模型來進行. n. al. Ch. i n U. v. 建構分類模型，將已貼標籤資料分割為訓練模型以及測試模型以進行建構、分析模型之配適度。. engchi. 5. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(10) 第貳章文獻回顧第一節人工智慧（Artificial Intelligence, AI）一、人工智慧（AI）的演進自 1958 年美國賓州匹茲堡大學的兩位人工智慧發展先驅 Herbert Simon 以及 Allen Newell 發表出已有機器可以自行思考、發展與創造，且機器之能力正在非常快速的發展，更可預見未來處理問題的範圍可大幅擴大到人類心智所能處的範圍，而後人工智慧即漸漸應用於各行各業上，而人工智慧之演進可分為. 政治大（一）萌發期（1943 年至 1956 年）：立最初的人工智慧研究於 1930 年代末至 1950 年代初，自電腦發明以. 以下時期：. ‧ 國. 學. 來，人們便渴望能讓電腦擁有類似人類的智慧，此階段的研究重心擺在定理的證明以及通用問題的求解， 1950 年圖靈（Turing）發表了一篇論文並. ‧. 預言創造出具有真正智慧機器的可能性，提出如何判定機器具有智慧的試. sit. y. Nat. 驗「圖靈測試（Turing test）」，並測試機器是否能夠表現出與人類相同或. io. er. 無法區分的智能，圖靈測試至今仍對人工智慧的研究相當重要，而至 1956 年「人工智慧」此名詞才於美國達特茅斯會議中被人工智慧之父 John. n. al. Ch. i n U. v. McCarthy 提出，其討論之問題包含計算機、自然語言處理、神經網路、計. engchi. 算理論以及抽樣化等議題，至今皆成為人工智慧研究發展的重要領域，此會議也成為人工智慧的起源。（二）成長期（1956 年至 1974 年）：第一波人工智慧自 1956 年被提出後，1957 年由羅森布拉特（Frank Rosenblatt）發明了第一個神經網絡，將人工智慧推向第一次的高峰期，同時，由人工智慧之父 John McCarthy 於 1958 年開發人工智慧語言 LISP 程式語言，機器人學受到重視，此時之研究重點在於使電腦具有理解能力，將人類神經系統與電腦作比較，並研究以機械替代神經系統之可能性。此時期許多知識表示方法問世，例如語意網路（Semantic Network）及框架理論. 6. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(11) （Frame Theory），1960 年代人工智慧的應用皆以「是」與「否」理解，使得應用的面向以代數題以及數學證明為主。由於人工智慧的研究方向侷限於邏輯數學領域，加上電腦的運算速度尚未提升、硬體的門檻過低使儲存空間受限制以及資料量不足夠之困境，因而限制了人工智慧的研究與發展，因運算能力沒有突破人工智慧，1970 年末知名研究發展計劃如紐厄爾和西蒙「通用問題解決器」以及日本政府領頭的「第五代電腦系統」未得到預期成效時，企業與政府紛紛撤資、研究基金的削減以及計劃的停止，1970 年代進入第一次人工智慧發展泡沫。（三）發展期（1974 年至 1993 年）： 1974 年起，因人工智慧過了幾年仍沒有重要的大突破，主要受限於計. 政治大不知道的問題，人工智慧硬體市場需求的下跌，專業系統的發展下，雖然立算機內存有限與處理速度慢、應用面較無之前想像中廣闊且無法回答人類. ‧ 國. 學. 有許多商業應用的實際案例，但應用範疇亦有限，熱潮也漸漸的衰退，此時亦視為人工智慧之第二個低谷。. ‧. 然而，過去的人工智慧判斷問題為真假二元論，1980 年起則添加了量化的概念，描述了問題發生機率，且因電腦技術的發展，使硬體儲存成本. y. Nat. sit. 下降且運算技術增強，能處理大量數據之分析，1982 年 John Hopfield 發明. er. io. 了霍普蕾爾網路（HNN），提出了神經網路將人工智慧推向了第二波浪. al. n. v i n Ch 能從大量歷史資料中學習規律，並找出資料之特徵與屬性，從而對新的樣 engchi U 潮，「機器學習」逐漸興起，為人工智慧的技術之一，透過演算法使機器. 本作智慧辨識或對未來進行預測，亦為資料科學（Data Science）的熱門技術之一，在 1980 年代至 2006 年間成為研究的主流，其中，機器學習的技術包含支持向量機（Support Vector Machine, SVM）、決策樹（Decision Tree）、羅吉斯迴歸（Logistic Regression）、類神經網路（Artificial Neural Network, ANN）等技術。在 1986 年 Rumelhar 和 Hinton 等學者提出了反向傳播算法（Back Propagation），解決了神經網路所需要的複雜計算量問題，因而帶動了神經網路的研究熱潮，廣泛的被應用於汽車控制（根據駕駛開車力道與習慣訓練調整機器）、家電控制或是智慧型辨識等領域，然而，研究不久即發現反向傳播的優化（找出誤差的最小值）會發生梯度消失問題（vanishing 7. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(12) gradient ），使得類神經網路再次凋零，此時的淺層深度學習，如支持向量機（SVM）等技術的興起，能將郵件分為垃圾郵件與非垃圾郵件的功能倍受矚目。另一方面，1980 年由專家系統之父 Edward Feigenbaum 開發第一套的專業系統（Expert System），用來快速鑑定出化學有機分子，由於人類智慧非常複雜，思考、學習、創造、聯想、類推等能力交錯運用，因此針對特定問題領域全力開發的專家系統，使人工智慧獲得許多令人肯定的結果。這時代的人工智慧透過蘊含統計思維的支持向量機等的機器學習演算法與專家系統帶起第二波的熱潮，也把人工智慧漸漸推廣到實用層面。然而，專家系統是由大量的知識庫與推理規則堆疊而成，因此需透過領域專. 政治大不斷的進步，因此專家系統漸漸走下坡，1987 年起，把人工智慧帶到另一立家模擬才能解決教具複雜性的問題，其應用範圍亦仍有侷限性，加上電腦. ‧ 國. 成泡沫。. 學. 個低點，因人工智慧不能無止盡追逐理想，而必須使其更加實用，否則將. ‧. （四）人工智慧發展至今：. 從 1993 年起，由於硬體的運算功能大幅提升，機器學習的演算法在語. y. Nat. sit. 音辨識以及影像辨識的能力也快速發展，其應用領域漸漸的擴大，因此，. er. io. 第三次受到學者與企業的矚目與期望，2006 年 Hinton 提出限制玻爾茲曼機. al. n. v i n Ch Network, DBN）成功訓練多層神經網路，使類神經網絡再度興起，將多層 engchi U （restricted Boltzmann machine, RBM）模型與深度信年網路（Deep Belief. 神經網絡（Deep Neural Network）稱為深度學習（Deep Learning），此為. 人工智慧發展機會的起源，加上由 Nvidia 成功開發出統一計算架構的整合技術（CUDA），透過 CUDA 可撰寫 C 語言使用 GPU 的計算資源加快了深度學習的運算功能。然而，直至 2012 年才成為人工智慧真正的轉捩點，由 Hinton 的兩名學生透過深度學習技術，利用 GPU 運算，成功讓 GPU 技術被發掘，更使深度學習重回技術熱潮，此時 Google Brain 亦以深度學習從 YouTube 影片中的照片學習辨識貓臉準確度達 75%、Apple 推出了智慧語音助理 Siri，為人工智慧的第三波浪潮。. 8. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(13) 二、人工智慧（AI）的應用自 2012 年以來，人工智慧開始由研究走入了商用領域，其應用的領域主要分為語音辨識、影像辨識及自然語言處理等三部分，其中語音辨識至今已有等同於人類的辨識度，其主要的科技巨頭 Apple、Google 及 Amazon 也陸續提出應用於日常生活的服務；第二領域則為影像辨識，從靜態圖片辨識到動態影像的辨識，雖然動態影像辨識準確度仍跟不上人類，但最受注目的應用即為自動駕駛的技術，Google 持續在進行自動駕駛的研究，且 TOYOTA 也在美國設立研究所，目前影像辨識仍在研究至實用的過程；最後為自然語言處理（Nature Language Processing, NLP），目的為讓人工智慧理解人類所表達的語意，從分解詞性的「語素分析」（Morphemic analysis），分解出最小的字義單位後，再. 政治大. 進行「語法分析」（syntactic analysis），最後再透過「語意分析」（Semantic analysis）來了解含意。. 立. ‧ 國. 學. 由於網路的快速普及，高性能電腦、大數據探勘（Data Mining）及機器學習（Machine Learning）的持續發展與進步，使人工智慧在近幾年有更大的技術. ‧. 突破，更興起對機器學習技術的應用，其中，2010 年人工智慧浪潮中興起的機. y. Nat. 器學習技術為類神經網路（Artificial Neural Network, ANN），屬於深度學習. io. sit. （Deep Learning）之技術之一，透過模仿生物神經網路的結構與功能所產生的. n. al. er. 數學模型，2014 年 Facebook 推出了臉部辨識系統 DeepFace 準確率高達 97%、. i n U. v. 2015 年 Google 發表開源深度學習系統 TensorFlow 且微軟亦推出了個人數位語. Ch. engchi. 音助理 Cortana，2016 年大家耳熟能詳的事蹟即為 Google DeepMind 的 AlphaGo 打敗了韓國圍棋棋王、Facebook 推出了「Facebook Messenger Platform」等技術，使 NPL 技術的聊天機器人更受矚目，其應用領域相當廣闊，包含金融科技、智慧製造、醫療健康、交通方面等，而自動駕駛與智慧機器人將會是第一波實現人工智慧社會之重點。人工智慧發展至今以相當快的速度在成長，從 2000 年起迄今，人工智慧領域的投資規模相當龐大，美國人工智慧行業的創業公司數量大幅增加約 14 倍，且風險投資對此領域投資金額更成長至 6 倍，以台灣為例，除了簡化醫療保健行業的工作流程、減少了教育部門行政任務的工時外，同時也降低了製造業的管理成本。Adobe （2018）於 2018 年數位趨勢報告中，全球最佳企業利用人工. 9. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(14) 智慧做市場行銷的比例，高於其他企業兩倍以上（分別為 28%及 12%），相較於北美及歐洲，亞太區受訪者更傾向使用整合、以雲端為基礎的科技，此顯示了亞太區市場行銷人員更擅長運用新科技以傳遞個人化內容，使工作更加快速且智慧化，未來提升客戶體驗正是市場行銷人員 2018 年後的首要任務為提升顧客體驗，將購物體驗加入個人化以及顧客之關聯性，提供客製化之商品與服務，市場研究中心 Gartner 也在 2018 年的研究報告中提出人工智慧行業的總價值至 2018 年高達 1.2 萬億美元之高，相較於 2017 年成長大約 70%，更預測未來人工智慧的商業價值將高達 3.9 萬億美元，在此計算能力、容量、速度和各種數據的進步的世代中，加上深度學習（DNN）的快速發展，人工智慧為未來的 10 年最具有顛覆性的技術，其中，創造商業價值最大的領域極為顧客體驗之. 政治大 google 與 Microsoft 都相繼把內部的機器學習資源解密，深度學習的門檻會大幅立解決方案。自 2017 年 AlphaGo 開啟了人工智慧應用的發展歷程，而後 2018 年. ‧ 國. 學. 降低，因此，企業下一步的重點應在於資料洪流中取得正確的資料以及大幅的應用，深度學習演算法發展成功是個起點，要能落實到各行各業，使得產業人. ‧. 工智慧化，同時亦需要從各產業內部先盤點需求與痛點，透過演算法把所有的產品融合最終為一個解決方案，才能達到產業升級的終極目標。. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖表 2- 1 人工智慧的投資 crunchbase1_annual_2017. 1. Crunchbase 為 2007 年成立於美國舊金山，覆蓋初創公司及投資機構生態的企業服務數據庫公. 司。 10. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(15) 第二節傳統機器學習技術現今的技術時代，人們具有豐富的資源，包含大量的結構化和非結構化的數據資料，在二十世紀下半，機器學習演變為人工智慧（AI）的一個子領域，機器學習並非提供人類透過分析大量數據以非自動化的方法建構模型，而是提出一種有效率的方法以取得大量數據中的資訊與知識，並提高預測模型的性能並做出適當的決策，不僅在計算機科學領域上，在日常生活中也具有越來越大的功能。機器學習（Machine Learning）可視為弱人工智慧的代表，亦為人工智慧領域的發展途徑，以學習方式來看，機器學習分為監督式學習（即在訓練過程中. 治政大標籤）、半監督式學習（介於監督式與非監督式學習之間，意即部分訓練資料立具有標籤）和強化學習（輸入資料作為模型的回饋），無論是監督式學習或是資料有標籤）、非監督式學習（即訓練資料中沒有標準答案，不需要事先輸入. ‧ 國. 學. 非監督式學習，藉由資料被大規模的蒐集，再透過網際網絡被散播，以雲端架構支援的運算，使機器學習來解決人類基礎問題成為一種趨勢。. ‧ y. Nat. 一、監督式學習（Supervised Learning）：. io. sit. 即為蒐集適當的資料，資料需要包含大量原始數據以及標準答案，將資料. n. al. er. 分為訓練資料（Training Set）及測試資料（Testing Set），在傳統的機器學習中. i n U. v. 最常用交叉驗證（Cross Validation）將訓練資料再細分為不同的驗證資料集. Ch. engchi. （Validation Set）以訓練模型，使用訓練資料調整並進行學習，透過特定的分類演算法選取資料的屬性，建構出適當的數學模型，再使用選擇之數學模型利用驗證資料比對演算結果與答案之一致性，確定網路結構或控制模型複雜程度，而最後測試資料則用來檢驗最後選擇模型的分類結果，判斷模型的效能。以電子郵件垃圾郵件過濾的例子，使用受監督的機器學習算法在標記的電子郵件，電子郵件的資料庫中訓練模型，並正確標記為垃圾郵件或非垃圾郵件，以預測新電子郵件是否屬於這兩個類別之一。 Provost and Fawcett （2013）提到了三種監督式機器學習的演算法，分別包含羅吉斯迴歸（Logistic Regression）、決策樹演算法（Decision Tree，以樹狀結構建立決策模型）、支持向量機（Support Vector Machine, SVM），另外，分類. 11. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(16) 演算法（Classification）為對離散值預測，事前已知道其分類，亦為監督式學習之演算法，反之，若對離散值預測，而事先不知道其分類，其分類演算法—集群演算法（Clustering），則為非監督式學習演算法。針對三種監督式學習演算法及一種非監督式演算法之理論架構如下： (一) 羅吉斯迴歸（Logistic Regression）模型主要探討應變數與解釋變數之間的關係，其最常用的方法即為迴歸模型，而應變數若為二元變數時，傳統的迴歸模型會違反統計基本假設，即解釋變數與殘差項需服從常態分配之假設，而羅吉斯迴歸則解決了此問題，將解釋變數使用 Logit 函數轉換使應變數可為類別變數，將實數值轉為機率值，使應變數值介於 0 到 1 之間，其中羅吉斯迴歸模型如下：. 治政 𝑝 𝑦 = ln ( ) = 𝛽 + ∑ 𝛽大 𝑥 +𝜀 ， 1 − 𝑝 立 𝑘. 𝑖. 𝑖. 𝑗 𝑖𝑗. 𝑖. 𝑗=1. ‧ 國. 學. 其中，. 0. 𝑖. 1. β 為迴歸參數. ‧. 2. 𝑥𝑖𝑗 為解釋變數 3. i = 1, … , n，n 為輸入樣本個數. y. Nat. sit. 4. k 為解釋變數個數. n. al. er. io. 5. 𝜀𝑖 為迴歸方程式肢殘差項 (二) 決策樹（Decision Tree）模型. Ch. engchi. i n U. v. 決策樹屬於大數據資料探勘（Data Mining）之監督式機器學習的技術之一，用來處理分類問題的樹狀結構，將樣本資料分為訓練資料與測試資料，以進行樹狀模型的建構，而構成決策樹的元素包含中間節點（non-leaf nodes）、分支（branches）以及葉節點（leaf nodes），利用不同的演算法計算節點的分類條件，而最後葉節點即代表分類結果。決策樹分為三種，一為分類樹，其預測結果可能為離散類型；二為迴歸樹分析，其預測結果可為連續型的實數；最後為 Breiman, Friedman, Olshen, and Stone （1984）提出的 CART （Classification and Regression Tree），結合了以上兩種模型。. 12. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(17) 決策樹的運作方式，先將所有的訓練資料（Training Data）計算屬性的資料獲利量（Information Gain），以挑選出資料獲利量最大的屬性作為樹的節點，其中根節點（Root）即為所有屬性中具有資料獲利量最大的屬性，並反覆進行分割以建構出樹狀結構，直到所有屬性皆已成為節點，則葉節點選擇樣本數較多的類別或是不再有測試資料（Testing Data）時，則會停止分割，其中本文將運用 Gini index 的 Splitting Rule 進行分割，假設資料集合 S 中包含 n 個類別，Gini（S）定義如下： 𝑛. Gini(S) = 1 − ∑ 𝑝𝑗2 , 其中pj 表示在集合 S 中屬於類別 j 之機率 𝑗=1. 再計算不同屬性的不同數值以分割不同類別之資料集合中，Gini𝐴 (S)為最小. 政治大建構出最大數目的決策樹立將樣本資料分割為訓練樣本與測試樣本，根據訓練樣本，以. 的屬性，作為分割屬性。CART 的建構程序如下：. 學. ‧ 國. 1.. 遞迴二分類的規則來進行分割，針對資料向下劃分為兩個資料子集合，直到停止分支的條件成立，本研究使用 Gini 指標作為評估. ‧. 每個節點異質性高低之準則。. sit. y. Nat. 2. 修剪樹狀結構. io. er. 最大數目的樹狀結構完成後，此模型會開始進行修剪，以找. al. 到最適合大小的決策樹，並以錯誤率（error rate）以及錯誤成本. n. v i n Ch （error cost）來做為修剪的準則，找到樹狀結構中具有最低錯誤率 engchi U 與錯誤成本的決策樹。 3. 挑選最佳的決策樹所有樹狀結構建構完成，則利用測試樣本進行交叉驗證，以測試樣本計算出所有可能決策樹的錯誤率，最後選取最小的錯誤率的決策樹。 (三) 支持向量機（Support Vector Machine, SVM）支持向量機（SVM）是由 Cortes and Vapnik （1995）於 1995 年所提出的一種資料探勘（Data Mining）之監督式學習的分類演算法，處理屬性分類（Classification）的問題，由輸入的訓練資料中，透過支持向量機模型將解釋變數與應變數之對應關係自原始低維度向量空間提升至高維度之向 13. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(18) 量空間，使不同類別資料分類可達到最佳化，其分類邊界與最接近的訓練資料點之間的距離即稱為間隔（Margin），此模型的目標為尋找一個具有最大間隔的區分超平面（Hyperplane），作為分類的邊界以區隔不同類型的資料，而支持向量（Support Vector）即為與分類邊界最接近的資料點，其分類邊界由支持向量決定，與其他資料點無關。在探討二分類問題，使用線性支持向量機進行分析，資料表示為 {𝑥𝑖 , 𝑦𝑖 }，i = 1, … , n，𝑥𝑖 𝜖𝑅 𝑑𝑖𝑚 ，𝑦𝑖 𝜖{−1,1}，（𝑥𝑖 表示輸入資料；𝑦𝑖 表示類. 別目標值；n 為樣本數；dim 為輸入維度，亦即解釋變數個數），則線性支持向量機（SVM）之決策函數即為 𝑓(𝑥) = 𝑥 ′ 𝛽 + 𝑏. 其中， 1.. 政治大 x=（𝑥 , 𝑥 , 立 … , 𝑥 , … , 𝑥 ）為樣本觀察值，其中 dim 為解釋變數個 1. 2. 𝑗. 𝑑𝑖𝑚. ‧ 國. 學. 數. 2. 線性支持向量機超平面邊界的寬定義為𝑑+ + 𝑑− ，亦即不同類別的. ‧. 訓練資料分為距離超平面之最短距離，向量β為將觀察值轉換至高為度空間之係數，其分類資料最佳化間隔距離長度為𝑑+ + 𝑑− =. y. Nat. n. al. er. io. sit. 2/‖𝛽‖. Ch. engchi. i n U. v. 圖表 2- 2 支持向量機模型 3. b 為誤差項。當輸入測試資料時，若f(x) > 0，則會將此資料歸類於+1，反之則將資料歸類於−1。此模型最大目標即為最大化間隔距離長度，即. 14. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(19) 為最小化‖𝛽‖，且此類型資料沒有樣本點會落於間隔之中，因此須滿足以下之限制式 {. 𝛽 × 𝑥𝑖 + 𝑏 ≥ +1 當𝑦𝑖 = +1 𝛽 × 𝑥𝑖 + 𝑏 ≤ −1 當𝑦𝑖 = −1. ，亦即𝑦𝑖 （𝛽 × 𝑥𝑖 + 𝑏） ≥ 1. 以上三種監督式學習為機器學習常見的三種方法之一。. 二、強化學習（Reinforcement Learning）：強化學習的目標為開發一個系統，根據資料與環境的交互作用來提高其性能，目前強化學習之訊息仍與監督式學習領域相關，但強化學習更重要的是衡量模型的適度性，透過學習一系列探索性的偵錯法以最大化其效能。以國際象. 治政大王，另一方面，亦觀察其他位置與負面事件之相關性，再下一輪中將棋子給對立手，並非每一回合皆會導致棋子的移除，而強化學習關注的是通過基於即時與棋為例，思考棋盤上的位置與正面事件的相關性，移除對手的棋子並威脅女. ‧ 國. 學. 延遲反饋最大的獎勵來學習一系列的步驟。. ‧. 三、無監督式學習（Unsupervised Learning）：. y. Nat. 無監督式學習即為處理偽標記的數據或是未知結構的數據，使用無監督式. sit. 學習技術來探索資料的結構，在未知結果便量或是獎勵函數下提取大量數據中. n. al. er. io. 較具有價值之訊息，其中，聚類分析即為無監督式學習技術之一，屬於探索性. i n U. v. 的數據分析技術，在無任何資訊的大量數據中，尋找之間之相關性進行分組分. Ch. engchi. 群（集群），在分析過程中出現的每個聚類皆有其相似性，以及與其他聚類織布相似之特徵，例如，可透過聚類分析市場中顧客之行為，以便制定不同聚類的顧客不同的行銷策略。聚類分析（Clustering）即將不同特徵性質的群體做區分，分成一些同質性較高的子群組或集群，不需要事先定義其結果標籤，亦即無標準答案，為非監督式學習演算法之一，最常使用於市場區隔的應用上，其中包含了分割式（Partitional）集群以及非分割式（Non-Partitional）集群，分別為 K-平均數演算法（K-Means Clustering）以及階層式分群（Hierarchical Clustering），其中， K-Means 為最受歡迎以及最佳的聚類分析演算法之一，概念為透過簡易的分對大量數據分類為 K 個類別，其中，類別中的每一數據點其特徵較為相近，意即. 15. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(20) 同一類別中的元素相較於其他類別之元素更為相似，其中，結果之 K 個點集合（centroids）即為不同群組中的中心點，標籤代表了集合中的每一筆數據，而一個類別中的所有數據點距離點集合相較於其他任一隻點集合最近。此演算法屬於前設式的聚類分析演算法，亦即須先設定集群的數量，根據設定之集群數量尋找出最佳的集群結構，其運作步驟如下： (一) 設定集群數量（K）群，其中 K 必定小於資料數（n）。（0）. 𝜇𝑐. （0）. 𝜖𝑅 𝑑 ， c = 1, … , K，其中，𝜇𝑐. 代表初始設定之集群中心（群. 心）。 (二) 將特徵屬性建構出空間，若資料數量為 n 個，並有 d 個特徵值，即有 n 個 d 維度空間，𝑥𝑖 𝜖𝑅 𝑑 ， i = 1, … , n，並隨機給 k 個集群的中心。. 政治大. (三) 根據每筆資料計算至 k 個集群中心的歐式距離（即為直線距離）。. 立. 𝐾. 𝑛. ‧ 國. 學. arg min ∑ ∑‖𝑥𝑖 − 𝜇𝑐 ‖ 𝑐=1 𝑖=1. 其中，𝜇𝑐 為群心，‖𝑥𝑖 − 𝜇𝑐 ‖即為每個資料點至群心知歐式距離. ‧. （Eucidean distance）. io. al. （𝑡）. ‖ ≤ ‖𝑥𝑖 − 𝜇𝑐∗. sit. （𝑡）. = {𝑥𝑖 : ‖𝑥𝑖 − 𝜇𝑐. ‖ , ∀𝑖 = 1, … , 𝑛}. er. （𝑡）. 𝑆𝑐. y. Nat. (四) 將每筆資料分類判斷給距離最接近的群心。. n. (五) 根據資料點所分配之群心，再重新計算群心位置，有 n*c 的資料在第 c 集群中。. Ch. （𝑡+1）. 𝜇𝑐. engchi (𝑡). i n U. v. nc. 𝑠𝑢𝑚（𝑆𝑐 ） = = ∑ xi | 𝑛𝑐 i=1. （𝑡）. 𝑥𝑖 ∈𝑠𝑐. (六) 以上步驟重複進行，直到所有群心不再變動（收斂），即結束。（𝑡+1）. 𝑆𝑐. （𝑡）. = 𝑆𝑐. , ∀c = 1, … , K. 根據以上步驟進行 K-Means 演算法。. 16. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(21) 第三節深度學習技術機器學習為人工智慧技術的分支之一，而深度學習亦是機器學習技術之分支之一，也是目前機器學習發展方向的主流，其概念主要為複合多層複雜結構的人工神經網絡（Artificial Neueal Network, ANN），因電腦科技與大數據探勘的興起，速度與資料量已不受過去運算速度過慢以及資料儲存空間不足的問題限制，人工神經網絡即為使用數學函數模擬生物神經元的運作，透過數學模型模擬生物的神經傳導與反應，並藉由輸入外部資訊，根據不同資料影響全種來轉換輸出反映。深度學習架構亦被稱為深度神經網絡（Deep Neural Network, DNN），包. 治政 CNN）、遞歸神經網絡（Recurrent Neural Network,大 RNN）等，類神經網絡通常立會有數個階層，每個階層中會有數百個神經元（neuron），而神經元會將上一含了各種類神經網絡技術，例如卷積神經網絡（Convolutional Neural Network,. ‧ 國. 學. 層神經元的輸入加總後，進行激活函數（Activation function）的轉換，當成神經元輸出，因此每個神經元會與下一層的神經元有特殊的連結關係，使上一層. ‧. 神經元的輸出值經過加權計算（weight）後傳遞至下一層神經元，而為了模仿. sit. y. Nat. 生物的神經網絡，激活函數為一種非線性的轉換，傳統激活函數使用 Sigmoid. io. er. 函數或是雙曲正切函數（hyperbolic tan, tanh），但於深度神經網絡中，Sigmoid 函數學習效果較差，因此更常使用 ReLU 函數（Rectified linear unit）。類神經. n. al. Ch. i n U. v. 網絡的架構即為神經元階層數量、每階層神經元的數量、各階層之間神經元的. engchi. 連接方式以及激活函數的類型等設定，使用此模型前須先輸入各項參數，因此參數的選擇對模型的效能表現影響大，因此在學習與練過程即為試圖尋找最佳的權重設定。深度學習的架構主要有卷積神經網絡（CNN）、遞歸神經網絡（RNN）、長短記憶模型（LSTM）、深度信念網絡（DBM）及深度疊加網絡（DSN）等架構，其中卷積神經網絡常應用於圖片辨識、視頻分析及自然語言處理，而遞歸神經網絡則多數應用於語音辨識及手稿辨識，本文將介紹以下二種類神經網絡的架構：. 17. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(22) 一、卷積神經網絡（Convolutional Neural Network, CNN）卷積神經網絡在影像辨識方面的能力相當強大，許多影像辨識模型是以 CNN 的架構為基礎進行建構，除此之外，亦參考人類大腦視覺組織來建立的深度學習模型。傳統的深度學習網絡忽略了資料的型態，其處理的資料必須為一維資料（平面），而深度學習中的 DNN 多了卷積（Convolution）及池化（Pooling）兩層階層，以維持形狀資訊並避免參數大量增加，因此卷積神經網路架構包含兩層卷積及池化層，以及全連接層，最後在使用 softmax activation function 來輸出分類結果。 (一) 卷積層：卷積神經網絡在判斷新的影像時，首先會先計算影像中有多少相符的. 政治大. 特徵，藉由卷積（convolution）的篩選機制來進行，卷積的基本原理為計. 立. 算特徵和影像局部相符程度，將兩個影像上的數值相乘，在將總和除以像. ‧ 國. 學. 素數量，像素相符的乘積為 1，若為相異則為-1，重複步驟歸納出影像各種可能的特徵，根據每次進行卷積的數值及位置製作一個二維矩陣，再來可. ‧. 透過以相同的方式應用在不同的特徵上，在影像中有各部位的卷積，此步驟即為卷積層。. y. Nat. sit. 透過一個特定尺寸的窗口（window），由上而下依序滑動取得影像中. n. al. er. io. 個局部特徵作為下一層的輸入值，即為卷積核（convolution kernel），使用. i n U. v. 於影像處理，例如模糊化、邊緣或輪廓偵測等，皆為透過 kernel window 進. Ch. engchi. 行，而卷積神經網絡利用此方法取得影像中各局部區域的區域加總後，透過激活函數—線性整流單元（Rectified Linear Unit, ReLU）輸出為特徵值，將圖片的所有負數轉為 0，可避免 CNN 運算結果趨近於 0 或無限大，此結果即為特徵圖（Feature Map），將特徵圖的每個點皆可視為原影像中該區域的特徵並傳遞給下一層使用，卷積層主要注重於取得影像中的局部特徵。 (二) 池化層（Pooling）：池化（Pooling）為卷積神經網絡的工具之一，為壓縮圖片並保留重要資訊的方法，將圖片選取不同的窗口（window），並於窗口範圍選擇最大值，經過池化後的原圖，像素數量會降低至原本的四分之一，但因池化後. 18. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(23) 的圖片仍保有原圖各範圍的最大值，保留了每個範圍的重要特徵，亦即池化專注於圖片資訊是否仍保留與原圖相符的特徵，而非圖片中特徵的位置。此階層的功能即為將輸入的影像尺寸縮小，以減少每張特徵圖（feature map）維度並保留重要的特徵，其優勢為減少後續階層需要的參數以加快模型運作效率，其二為抗干擾作用，影像中有些像素鄰近區域若有微小偏移或差異時，對池化層的輸出不會有大影響，結果仍會維持，最後亦能減少過度擬合（over-fitting）的問題。此階層與卷積層皆使用 kernel 來取出各區域的值並進行運算，但輸出不再透過激活函數，其主要縮小影像尺寸的方法包含最大化（Max-. 政治大 (三) 全連接層（fully立 connected layers）：. Pooling）、平均化（Mean-Pooling）、隨機（Stochastic-Pooling）。. ‧ 國. 學. 全連結層即為傳統的神經網絡的階層，卷積層與池化層目的為萃取特徵及減少影像參數，將特徵資訊輸入至全連接曾來進行分類，其神經元只. ‧. 與上一層 kernel 的像素連結，且與各連結的權重（weight）在同一階層中是相同且共享，集合高階層中篩選過的影像，將特徵資訊轉化為票數，並. y. Nat. sit. 以權重（weight）或連結強度（connection strength）以表示其結果。然而，. n. al. er. io. 因全連結層的每個神經元會與上層神經元之間彼此連結，各連結都有獨立. v. 且相異的權重值，造成全連結層需要許多運算資源。. Ch. engchi. i n U. 19. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(24) 二、遞歸神經網絡（Recurrent Neural Network, RNN）遞歸神經網絡是一種基礎網絡結構，許多深度學習架構是基於此模型來建構，為兩種人工神經網絡的簡稱，分別為時間遞歸神經網絡（recurrent neural network）以及結構遞歸神經網絡（recursive neural network），時間遞歸神經網絡的神經元連結構成有向圖，而結構遞歸神經網絡利用相似神經網絡結構遞歸建構出更複雜的深度網絡，可以描述動態時間行為，將狀態在自身網絡中循環傳遞，因此可以接受更廣泛的時間序列結構，最早則應用於手寫辨識。遞歸神經網絡的基本架構之每個神經元都會隨時間變化而實質活化（realvalued activation），其中包含輸入節點（input node）以及輸出節點（output node），其餘則為隱藏節點（hidden node），單純的遞歸神經網絡無法處理隨. 政治大. 著遞歸，權重指數級爆炸消逝的問題，難以捕捉長時間的關聯性，而結合以下. 立. 的長短記憶模型（LSTM）即可解決此問題，而遞歸神經網絡主要處理序列資. ‧ 國. 學. 訊，其資料數據存在順序的關係，例如文本、語音或是視頻等。 RNN 神經網絡即為透過讀取某個時間（狀態）的輸入值𝑥𝑡 ，經過循環神經. ‧. 網絡最後輸出值𝑦𝑡 ，其中透過循環可以使信息從當前時間步驟傳遞至下一時間步驟，在同一網絡中在不同時間步驟地多次循環，每個神經元會更新後的結果. y. Nat. sit. 傳遞至下一時間步驟，其中𝑥𝑡 為一 n 維向量，而 RNN 神經網路的輸入值即為一. n. al. er. io. 序列，意即x = [𝑥0 , 𝑥1 , … , 𝑥𝑡−1 , 𝑥𝑡 , 𝑥𝑡+1 , … , 𝑥𝑇 ]，對於語言模型，每一個𝑥𝑡 代表了. i n U. v. 一詞向量，一整個序列x即表示一句話，其中，此模型之隱含層ℎ𝑡 表示時刻 t 所. Ch. engchi. 隱含的狀態，最後𝑦𝑡 則代表時刻 t 的輸出。由輸入層至隱含層之權重 U，將原始輸入值進行抽象作為隱含層的輸入；而隱含層至隱含層之間的權重 W，則為網路的記憶控制者，負責調度記憶；最後隱含層至輸出層之間的權重 V，從隱含層學習到的表示將通過此權重再一次抽象化，並作為最後的輸出值。前向傳播（Forward Propagation）即為按照時間順序依序計算一次時間，而相反的反向傳播（Back Propagation）則為由最後一個時間點累積殘差傳遞回來，此反向傳播加入了時間順序，稱為 BPTT（Back Propagation Through Time）演算法，其中，前向傳播與反向傳播的概念如下： (一) 前向傳播（Forward Propagation）. 20. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(25) 於初始時間點t = 0，由輸入層至隱含層之權重 U、隱含層間的權重 W、隱含層至輸出層之權重 V 會先隨機初始化，ℎ0 通常初始化為 0，當時間步為 t 時之公式如下： ℎ𝑡 = 𝑓(𝑈 ∙ 𝑥𝑡 + 𝑊 ∙ ℎ𝑡−1 ) 𝑦𝑡 = 𝑔(𝑉 ∙ ℎ𝑡 ) 其中，𝑓(∙)為隱含層的激活函數，𝑔(∙)為輸出層的激活函數，𝑓(∙)可選擇 than、ReLU 以及 Sigmoid 等激活函數，若為序列問題，𝑔(∙)一般選擇 Sigmoid 激活函數，最後ℎ𝑡 則為第 t 層的輸出，而𝑦𝑡 即為預測結果。循環網絡具有記憶能力，通過 W 紀錄以往的輸入狀態做為下一次的輔助輸入，故隱藏狀態可以理解為現有的輸入加上過去的記憶透過激活函數. 政治大. 輸出。最後殘差值 E 公式如下：. 立E = ∑ 𝑒 = ∑ 𝑓 (𝑦 − 𝑑 ) 𝑡. 𝑒. ‧ 國. 𝑖. 𝑖. 𝑖=1. 學. 𝑡. 其中，𝑒𝑖 即為第 i 個時間步的誤差，𝑦𝑖 即為輸出層的預測結果，而𝑑𝑖 為. 方差。. ‧. 實際結果，另外誤差函數𝑓𝑒 (∙)可以為交叉商（Cross Entropy），亦可為平. Nat. sit. y. (二) 反向傳播（Back Propagation）. al. n. 降法更新每個權重，其中權重公式如下：. er. io. 透過輸出層的誤差𝑒𝑖 ，求解權重的梯度，∇V、∇U、∇W，並藉由梯度下. CV(th+ 1) = V(t) + αU∙ ∇Vn i engchi. v. U(t + 1) = U(t) + α ∙ ∇U. W(t + 1) = W(t) + α ∙ ∇W 接著求取個權重之梯度： ∇V =. 𝜕𝐸 𝜕𝑒𝑡 =∑ 𝜕𝑉 𝜕𝑉 𝑡. ∇U =. 𝜕𝐸 𝜕𝑒𝑡 =∑ 𝜕𝑈 𝜕𝑈 𝑡. ∇W =. 𝜕𝐸 𝜕𝑒𝑡 =∑ 𝜕𝑊 𝜕𝑊 𝑡. 其中，∇V不仰賴於前的狀態，故可直接求導獲得結果. 21. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(26) ∇V = ∑ 𝑒𝑡 ∙ ℎ𝑡 𝑡. 而∇U 與∇W 則依賴於之前的狀態，需透過中間變量 δ δ=. 𝜕𝑒𝑡 𝜕ℎ𝑡. 先計算出輸出層的δ𝑦 ，再向後傳播至各層的δℎ 中，最後至輸入層 𝑦. δℎ𝑡 = （𝑊 𝑇 δℎ𝑡+1 + 𝑉 𝑇 δ𝑡 ） ∗ 𝑓 ′ （ℎ𝑡 ）最後計算出δ𝑦 以及所有的δℎ ，即可計算出∇U 與∇W ∇W = ∑ δℎ𝑡 ∙ ℎ𝑡 𝑡. ∇U = ∑ δℎ𝑡 ∙ 𝑥𝑡. 政治大根據輸入值與輸出值的數量，RNN 模型可有多種的變化與應用，舉例而立 𝑡. 言，若為一對一，固定長度的輸入與輸出即為一般的神經網絡模型；一對多為. ‧ 國. 學. 單一輸入，而有多個輸出值，如影像標題，藉由輸入一個影像，並偵測影像中多個物體；而多對一即為多個輸入、單一輸出，例如情緒分析中，一句話判斷. ‧. 其為正面或負面情緒表達；最後多對多即為多個輸入、多個輸出，例如語言翻. Nat. n. al. er. io. sit. y. 譯，輸入一段英文文字，最後輸出為中文文字。. Ch. engchi. i n U. v. 22. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(27) 第四節零售業市場現況一、全球零售業市場概況由於科技的興起，2018 年全球零售業迎接革命新趨勢，消費者在購物、時機以及資訊獲得等方面，皆比過去擁有更多的主導權，因此對於消費體驗亦有更高的期待， Deloitte （2018）於 2018 年的研究報告顯示 2017 年前 250 大零售業的年成長率僅為過去十年前的 50%左右，其中，2007 年零售業的年複合成長率約為 9.1%、2017 年零售業的年複合成長率約 4.8%，即使成長速度為前 50 名之零售業其成長率亦不及過去成長的速度，而科技為顧客消費行為所帶來的改變亦可謂業者帶來新商機，若能創新、整合及自動化，將會是未來重振零售業. 政治大. 商機的關鍵，亦將長遠的影響零售業未來的營運方式。. 立. 實體零售業被電商收購抑或是零售業收購電商平台，以中國零售市場為. ‧ 國. 學. 例，中國之綜合型電商平台相當多，競爭相當激烈，包含天貓、京東奢侈品、唯品會等平台，其中，以阿里巴巴集團最為強勢，掏寶網為阿里巴巴集團旗下. ‧. 的 C2C（Customer to Customer）線上購物平台，以亞洲區域為主要的目標市. y. Nat. 場，而阿里巴巴則為 B2B（Business to Business）平台，天貓則為阿里巴巴 B2C. io. sit. （Customer to Business）模式的電商網站，而中國京東商城為中國電商平台. n. al. er. 中，具京東自營商品的品質保證，加上京東物流的超級速度更觸動人心，在中. i n U. v. 國電商平台市場中，中國天貓和京東兩家電商平台及佔整個 B2C 模式之電子商. Ch. engchi. 務市場份額 7 成，另外，唯品會則為中國於 2008 年底正式上線運營，以「正品特賣」的方式迅速打開了奢侈品市場，平台的每件商品都在中國太平洋保險公司投保，亦在中國電商平台中名列前茅。由於科技的浪潮，在這選擇的黃金時代下，消費者的購物行為亦隨之改變，不同於過去消費者，此世代之年輕消費者在市場中處於主導地位，對商品更加要求其便利性及價值，對於個別零售商來說，由於資訊的迅速傳播，顧客不時的提出新的競爭對手如何持續破壞現況，新興產業不需實體店面、商店或是倉庫，且可以在某個小轉角或是地球的另一端設立總部，線上單一業務競爭者在各種產品類別中不斷出現，競爭相當激烈，因此，在 PwC 於 2017 年全零售調查報告中，提出零售業因應不確定的未來應採取之措施，對一個健康的企. 23. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(28) 業而言，管理投資報酬為很重要的課題，許多因素都會影響到投資策略，以零售業來說，要在什麼季節做什麼商品的存貨？或是到特定的區域應開多少家門市？等問題，因此零售業應更仔細研究在顧客體驗、員工、技術及房地產的投資，更有效的進行投資。以電商通路龍頭亞馬遜（Amazon）為例，在全球有 28%的受訪者認為亞馬遜使他們在零售店購物的次數減少，而相當於中國亞馬遜—阿里巴巴，由於天貓商城的關係，顧客在零售商店購物的次數亦減少，此外，亞馬遜收購了全食超市，也為亞馬遜吸引了更多有實力的食品，同時，在食品配送進入最緊張的形勢下，通過分散在城市與鄉鎮的 460 家實體店面，使亞馬遜在當地配送系統更加延展與擴大，零售業如何與亞馬遜爭奪市場占有率為一大課題。由於科技. 政治大流竄的世界提供顧客更即時以及更方便的平台，以鞏固舊有之顧客並吸引更多立衝擊下市場的大幅轉變，傳統行業須隨之進行改革與轉變，以因應這資訊快速. ‧ 國. 學. 的消費者選擇，如 2017 年美國艾柏森公司（Albertsons）收購了食材 O2O 平台 Plated2，並推動了雙方的共同戰略，提供更加便利的平台以吸引顧客之消費，. ‧. 綜合以上之實例，可看出電子商務通路對於實體零售業通路之影響，因這科技發展下市場的劇烈轉變，品牌產品製造商亦紛紛正試圖建立自身產業的分銷網. y. Nat. sit. 路，直接與消費者接觸，例如透過客戶訂閱、或是直接聯繫已與消費者建立直. er. io. 接聯繫的新業者，以鞏固自己的顧客並拓展市場占有率。. al. n. v i n Ch 論食品雜貨、居家用品、服裝和鞋類產品，各領域皆受到市場轉變影響，因此 engchi U. 由於全球的 GDP 增長疲乏，消費者需求降低對零售業帶來巨大的壓力，不. 更需要為產業轉型，跟隨市場變化之腳步進行行銷策略，即便美國的購買力方. 面是全球最大的消費市場也不例外，2017 年美國零售業銷售金額增長幅度，大部分來自線上銷售，而實體店面的銷售收入增長相當小。此外，台灣零售業亦面臨著前所未有的考驗，許多企業的業績下滑，若企業能掌握消費趨勢而求新變，其營收與獲利多為成長，現今消費者在市場中已處於主導地位，透過行動. Plated 公司創始人在 2012 年通過 GoDaddy 平台收購了 Plated.com 域名，價格為 9.99 美元。在 2012 年 11 月份的時候，Plated.com 被啟用成立一個新生兒餐具公司的網站，致力於減少食材浪 2. 費，嚴格按照每餐需要的量為用戶配送食材和調料，用戶可在該平台上選定這周的菜單，視具體情況而定。原文網址：https://kknews.cc/zh-tw/tech/rqj24ox.html 24. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(29) 裝置可輕易於全球市場購物，其對便利與價值的要求更加講究，使零售業者一直處於不斷創新的挑戰中。. 二、零售業面臨的挑戰 (一) 零售業發展趨勢面臨轉型傳統零售競爭策略主要以企業為中心，確定產品及通路管理模式，關注於如何將產品推銷給消費者，故其競爭策略強調為產品的質量以及通路的佔有率，吸引更多的消費者以提升銷售量，然而，在科技浪潮下，消費者的選擇多樣性和便利性大幅提升，購物方式的選擇與對產品的選擇皆為重要的消費決策，現今消費者更傾向於購物體驗價值最大化的通路進行購. 政治大接消費者、與消費者互動，以促進銷售轉型為企業的目標。立. 物，因此企業競爭策略更著重於與消費者的連結和互動，如何能更精準連. ‧ 國. 學. 許多產業面臨轉型的危機，零售業亦面臨一大挑戰，全通路零售已成為未來趨勢，消費者對於購物方式的選擇與對產品的選擇皆非常重要，現. ‧. 今消費者傾向於購物體驗價值最大化的通路進行購物，因此企業必須思考如何實現迎接新零售的轉型，推進全通路，而在這實現新零售轉型的過程. y. Nat. sit. 中，企業將面臨許多挑戰，. er. io. (二) 新零售時代. al. n. v i n Ch 技的發達，使數位化跨越通路界線與電子商務發展快速成長，至 2017 年全 engchi U 供應鏈應圍繞「連結消費者」以及「提升營運和服務」兩大關鍵，科. 球電商通路銷售的日常用品金額大幅成長約 30%，「虛實整合」的通路型態成為趨勢，對於消費者而言，購物過程與購物前的資訊獲得是一個流動過程，消費者並不會忠誠於任何通路，在購物過程中可能在實體店面或是線上購物之間不斷轉變，因此業者提供線上、線下無線接軌的購物體驗為必要需求，亦為全球零售業者積極投資線上以及數位體驗的主要因素之一。. 以全球最大零售商沃爾瑪為例，至 2018 年已投入數十億美元資本導入線上雜貨店（Grocery Online），結合廣大的實體店面網路，提供顧客線上網路訂購線下取貨之服務，同時為了擴大其電子商務領域的能力，亦陸續併購許多知名電商，例如 Jet.com、ShoeBuy、Moosejaw 等。然而，即便電 25. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(30) 子商務的發展速度極快，實體店面仍不會因電商通路的興起而消失，目前全球高達 90%的零售銷售仍然產生自實體店面，電商企業持續的發展並進行結盟，而全球實體通路領導企業亦急起直追發展電商，或與第三方業者合作，補足過去實體缺乏而電子商務可提供的服務，但若要與便利性且產品數量幾乎不受限制的線上購物競爭，實體店面的零售業者應思考自身在線上線下界線模糊的生態中，如何提供給顧客有意義的體驗與品牌互動，打造出差異化體驗，才是業者在市場中具有優勢的關鍵。根據 Deloitte 的調查，全球約有 60%的消費者透過智慧型手機購物，顯示了未來零售業市場中智慧型手機的角色更加重要，若零售業能加入物聯網（Internet of Thing）、人工智慧（Artificial Intelligence）、擴增及虛擬實. 政治大日漸模糊的環境、結合大數據分析能力的運用以及伴隨靈活度的洞察能力立. 境（AR/VR）與機器人，整併並思考自身企業在面對線上與線下通路界限. ‧ 國. 學. 之策略，不僅可強化零售價值鏈，為消費者帶來更良好的購物體驗，亦可獲得新的成長動能與顧客滿意度，在此新零售趨勢中亦充分地顯示消費者. ‧. 在零售市場角色中，由過去較被動地接受品牌或廠商所提供之商品，轉為消費過程中的主角。. y. Nat. sit. 2018 年全球前 250 大零售業中，前 50 大零售業的營收成長速度，平均. er. io. 比前 250 大零售業者高出四倍左右，其高成長率來自於快速擴張的電子商. al. n. v i n Ch 頭，而受惠於更全面的商品與創新服務，2018 e n g c h i U年亞馬遜（Amazon）排名大務銷售及重大的併購交易，其中，沃爾瑪持續為全球最大零售業者的大龍. 躍進至全球第六名，近 15 年來其成長率幅度相當驚人，反映了電子商務逐漸侵蝕線下零售通路的狀況，且中國純電商企業唯品會，以快閃、限時的獨特商業模式，成為高成長前 50 大企業之榜首（表 2018 年全球高成長前 5 大零售業者）。. 26. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(31) 排名. 公司. 國家. 營運方式. 2012-2017 年零售營收年成長率. 2017 年零售營收成長率. 1. Vipshop Holdings Limited 唯品會. 中國. 純電商. 103.8%. 30.9%. 2. Albertsons Companies, Inc.. 美國. 超級市場. 74.0%. 1.6%. 3. JD.com, Inc. 京東商城. 中國. 純電商. 62.6%. 41.7%. 4. Zalando SE. 德國. 純電商. 48.1%. 23.0%. 5. Reliance Industries Limited （RIL）信實工業. 印度. 超級市場. 34.5%. 59.2%. 圖表 2- 3 2018 年全球高成長前五大零售業者. 政治大. 資料來源：Deloitte（2018）. 立. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 27. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(32) 第參章人工智慧技術由約翰．麥肯錫於 1955 年提出的人工智慧發展至今已發展 50 多年，因為大數據、硬體運算能力、機器學習和深度學習的演算法技術突破，使人工智慧（Artificial Intelligence）再度隨著興起，2016 年 Google 的 AlphaGo 戰勝人類圍棋棋王，更為世界宣告了人工智慧（AI）的來臨，人工智慧近 30 年來已發展為一門多領域之交叉學科，涉及機率論、統計學、計算複雜性等多門學科領域，更廣泛的運用於資料探勘、電腦視覺、自然語言處理、生物特徵識別、搜尋引擎、檢測信用卡詐欺、證券市場分析以及 DNA 序列預測等眾多的領域，更發展了無人駕駛車，人工智慧的應用風起雲湧，影響了交通、教育、語言、資安、. 政治大學習為目前進行人工智慧最為成功之技術之一，機器學習之方法有多種不同的立. 電競、創作、醫療、商業等眾多領域，即將為人們帶來全方面的影響。而機器. 模型，1950 年代的「類神經網路」為世界帶來的第一波熱潮，然而發展過程中. ‧ 國. 學. 亦因運算瓶頸，於 2006 年 Geoffrey Hinton 教授成功解決了過去機器學習類神經網路所遇到之問題，發展了「深度學習」，更為人工智慧帶來近一步的成長，. ‧. 其推廣之領域範疇眾多，而 2016 年大家耳熟能詳之 AlphaGo 即運用深度學習之. Nat. sit. y. 技術帶來了新的工業革命的世代，至 2018 年科技三大巨頭 Google、Microsoft、. er. io. Facebook 更為領先，尤其於語音識別和圖像辨識技術上相當突出，其中，人工. al. 智慧、機器學習或是深度學習，此三者間的關係似一個同心圓，「機器學習」. n. v i n Ch 屬於人工智慧之技術之一，而「深度學習」亦屬於機器學習技術之一，由圖 3-1 engchi U 所示。. 圖表 3- 1 人工智慧、機器學習及深度學習之關係資料來源：nVidia 28. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(33) 人工智慧創建了學習系統，可處理各種問題與分析，例如自然語言處理、預測、語言翻譯等，而傳統的機器學習（Machine Learning）利用特徵工程，對大量數據進行處理與分析，其中，取得之數據資料會分為兩個群體，訓練資料（Training Data）及測試資料（Validation Data），意即透過樣本之訓練資料以訓練機器，從訓練資料中擷取資料的特徵來幫助建構模型以辨識出目標資訊，並辨識出運作規則，再透過測試資料以評估模型之配適度，此技術即為弱人工智慧的一種，而模型主要分為了三大種類，分別為監督式學習、非監督式學習以及半監督式學習，其差異為訓練資料中是否擁有「有標籤」的資料以提供機器正確資訊，此為監督式學習；反之，若訓練資料中沒有標準答案、無須以人力輸入標籤，模型在訓練過程中不知道其分類結果之正確性，而機器透過大量. 政治大即為非監督式學習技術之一。人工神經網絡（Artificial Neural Network, ANN）立. 數據中找出數據之潛在規則，此即為非監督式學習，聚類演算法（Clustering）. ‧ 國. 學. 為目前人工智慧中最常用的模型之一，而深度學習（Deep Learing），也被稱為深度神經網絡（Deep Neural Network, DNN），則是執行機器學習之技術之一，. ‧. 即讓電腦自行分析資料找出資料屬性，模仿人類大腦的圖層中，學習模式中的. sit. Nat. 器（Autoencoder）來進行非監督式學習。. y. 模式（Learning patterns of patterns），使用了多層神經網絡，同時使用自動編碼. er. io. 現代人工智慧為企業帶來了許多好處，而其發展速度極快，業者須明智的. al. n. v i n Ch 示，雖然有 82%的企業正在考慮運用人工智慧，但亦有 e n g c h i U 60%的企業擔心責任問. 選擇適合自己的技術平台，然而， IBM （2018）商業價值研究院的研究結果顯. 題，因此企業應在資訊安全、創新、客戶服務以及風險管理等各方面採用人工. 智慧，以達到最高的價值。另一方面，雖然人工智慧的興起帶來各種機器學習框架以及人眾會建構的環境模型，但亦有新的控制工具，如 IBM 的雲端運算平台則可與各種機器學習及人工智慧之框架與環境配合使用，例如 Watson、 TesorFlow、SparkML 等，意即企業可透過新的控制工具用於常見之人工智慧框架，並針對軟體進行編碼以監控任何業務工作流程所需的獨特決策因素，現今的人工智慧主要分為兩大類別，即為前述的機器學習與深度學習，機器學習為目前絕大多數企業所使用之技術，其演算法不外乎線性模型、K 均值聚類分析以及決策樹等模型，常用之工具包含了 SAS、SPSS、MATLAB。. 29. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.

(34) 常見的開源工具則包含了 R 以及 Python，其中，Python 的 Scikit-learn 以及 Anaconda 項目，使 Python 成為現今業界最為流行的數據科學編程語言，同時，近兩年來深度學習的興起，一種更加專業化機器學習技術之一，透過圖像辨識、語音識別、自動駕駛等激發人對人工智慧的認知與性區，使用大量數據分析以提供並訓練複雜的神經網路，至今深度學習之工具仍以相當快的速度成長中，學術界和科技巨頭 Google、Facebook 等，多年來持續在深度學習領域投資，舉例而言 Google 深度學習的開源軟體之 TensorFlow，至 2018 年成為開源軟體中最受歡迎之一，可透過 Python 實作，其調適和檢查網路方面具有相當強的優勢，XLA 編譯工具亦提供了最佳的模型執行，而 TensorFlow Mobile 更提供了機器學習具有低功耗移動設備，由圖 3-2 可看出 Google 之開源軟體. 政治大. TensorFlow 為 GitHub 上最受歡迎的機器學習專案。. 立. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. v. 圖表 3- 2 GitHub 上受歡迎的機器學習專案. C h資料來源：GoogleU n i engchi. 圖表 3- 3 主要編程語言之成長趨勢圖資料來源：Stack Overflow 30. DOI:10.6814/THE.NCCU.EMBA.031.2019.F08.