AI經濟

  CER是一種讓學習者提出主張(Claim)、找證據(Evidence)支持主張，再用推理(Reasoning賦予證據意義學習方法。另外還有CAER的方式在其中加了論點(Arguement)。 雖說看似這種方式與人工智慧的功能略有不同，其實就是我在將數據套入模型測試可不可行的意思。即使不可行，那也要找理由將數據進行轉換變成可行。 這在人工智慧上是非常悲哀的方式，卻是現在主流模型的做法。 人工智慧的底層思維就是這樣。 人工智慧在做數據的執行、運算、判斷，因為基於機器學習系列方法，「訓練」樣本就是將數據套入模型。那麼我們就要了解為什麼會需要「訓練」？因為前提是你心中有個模板。你希望數據如模板一樣，所以要一直訓練、一直訓練。 看看那些訓犬師，是不是對狗有個模板，希望狗乖巧，聽得懂一些口令等。這就是CER當中的主張。 主張 = 心中有既定模板 = 既定程序流程 與條件 = 模型 偏偏人工智慧真是人工智慧的話，那它就應該會自己查找。這是它原本設計精神所在。因為程式在被編寫的過程中可以加入自查模式。但什麼是自查？原本的自查是種在已經寫好的程序中，讓程式自己查找看有沒有在運行過程中發生bug。當bug發生時，可以自檢自修，或者繞過。自查的過程中，其實人工智慧的程序流程也是有模式在。你也可以視為這是種主張，還是被寫死的主張。 CER當中的主張就是我們預設的模型，也就是你早有模板在那。 接下來證據就是數據，如果數據套入預設模型，結果不理想，那就「訓練」。訓練就是推理。經由推理讓數據開始扭曲，也就是轉換數據。轉換要合理有據，對！所以是由推理當中去給予合理的意義，或者數學意義。讓一切都合情合理。 你說這樣做對嗎？當我們察知人工智慧該有的底層邏輯一開始就被掌控住，並且算法可能充滿各種的虛假和政治時，這樣的人工智慧又與日常社交有關。你認為會發生什麼事情？ 在還沒有人工智慧宣告成功出世前，社會已經走向M化或者過度消費未來的情況，人工智慧到底是在服務誰？這才是核心問題。 如果真如科學程序，那麼「讓數據自己說話」就不會是將數據套入模型，求參數。而會是讓數據自己選擇模型或模式，能夠被完全驗證，過程能夠清楚被人類知道，一切都是透明的。高階的學術人員是能夠驗證它的一步步程序。 就像工程師測試人工智慧時，用UI介面與它對話，並認為它有情感。但那是它真有情感，還是導入的數據經過拼接後，讓它成為智者...

1. AI技術開發職能 專注於AI核心技術的設計與實現，適合有技術背景並熱衷於編程與技術開發的從業者。 技能需求： 編程基礎（Python、C++、R等） 機器學習/深度學習算法（如隨機森林、卷積神經網絡） AI框架（TensorFlow、PyTorch等） 數據預處理與特徵提取（不含完整分析與建模結果） 應用場景： 訓練模型進行語音識別或文本分類 開發特定場景AI算法（如自動駕駛決策模組） 2. AI應用工具職能 聚焦於利用AI識別或數學AI的應用工具完成特定任務，適合非技術背景或希望快速應用AI技術的人員。 技能需求： 操作常見AI工具（如OCR、圖像識別工具、MathAI建模軟體） 理解工具輸出的結構化數據 配合業務需求進行結果整合 能夠驗證AI結果 應用場景： 使用AI工具進行用戶行為識別 自動化流程（如智能客服中的問題分配） 為時間序列資料建構精準趨勢獲得更多關鍵資訊 3. AI硬體整合職能 專注於AI硬體設備的設計與運行，涉及硬體與AI算法的結合。 技能需求： 熟悉硬體開發流程（如芯片設計、邏輯設計） 瞭解嵌入式系統與AI的協同 操作邊緣計算相關技術 應用場景： 設計AI處理器（如TPU） 開發智能裝置（如工業機器人中的感測器模組） 4. AI理論與算法研究 聚焦於AI基礎理論和算法創新，適合學術研究者或高端技術人員。 技能需求： 深入理解AI數學基礎（如線性代數、概率論、迴歸分析、建模） 研究算法優化（如神經網絡結構調整、直接數據精準建模） 模型性能改進與理論驗證 (人類不能複製並驗證的AI理論與算法不算其中) 數據驅動結果能呈現數學式以供人類驗證 應用場景： 開發新型算法以提升AI效率 進行AI系統的理論驗證與學術推廣 內容來自chatGPT改寫與個人補充人工智慧並無納入的核心底層理論技術

 一般情況下，我們都會相信官方發布的財經數據，並參考數據以供決策使用。不過，你相信官方在發布後就不更改數據的話，很可能為你的決策帶來一連串的影響，或是造成投資損失。 以美國勞工統計局公布的非農商業部門實質時薪指數來說，這是判斷美國就業市場上工資率的一種參考指標。如果工資率往上走，代表以下幾種市場狀態： 勞動需求增加，同時供給不變 勞動需求增加且供給減少 勞動需求增加速度超過供給增加速度 勞動需求不變，同時供給減少 勞動需求增加且供給減少 勞動需求減少速度低於供給減少速度 當美國2024年第二季(4月)公布數據後，AI數據分析運算得到淺藍色的趨勢線是從2023年第二季到2024年第二季，呈現極平緩的下降趨勢。這樣的下降趨勢代表實質薪資變化不大，但仍在下降中，也就是工資率在下降。 工資率下降的好處是企業的人力成本可以舒緩，但勞動者就業後能得到的工資率會低，代表工資收入相對減少。同時工資率下降，可以看到勞動市場的供給量和需求量的變化情況。而其他的指標，如職缺人數、失業率等，我們可以發現職缺人數在減少中，失業率在上升。那麼你認為勞動市場發生什麼事情呢？ 職缺人數正在減少，但仍有職缺，代表勞動需求仍在，只是增加的速度很低。 失業率上升，以勞動力不變下，就業人數就會減少。不過美國公布的就業人數是增加的。所以勞動供給是增加的。 那麼，需求在增加，供給也在增加，實質時薪在微幅下降，只可能是供給增加的速度超過需求增加速度，所以實質時薪才會微幅下降。 但是，當我們取得2024年第三季(7月)數據時，同樣使用AI數據分析運算後得到淺藍色趨勢線是上升趨勢，並且極其精準的上升趨勢線。有意思的是趨勢的起始點沒有改變。那麼，倒底發生什麼事情呢？怎麼會因為增加一筆數據就造成這樣的結果呢？ 這時候我們就得回去看原始數據倒底怎麼了！下方的兩張圖是原始數據圖，工作表命名代表取得數據的當季。你可以看到從第22筆數據的數據就發生改變了。      一路地到2024年第二季的數據全都調整了。但是他們調整數值仍可維持在相同的趨勢轉折點，請看圖例就能知道趨勢轉折的起始點沒有改變。如此側面證實美國在調整數據上很有能力，保證某些關鍵資訊是可以維持正確。但是，我們若在之前相信了趨勢變化(即斜率值)，那就糟糕了！ 讓我們看到從第41筆到第46筆數據位置。第41筆數據就開始產生很明顯的...

 美國大選前最後一個失業率數據(10月)是3.9%，與上個月相同。6到8月的失業率則在4%以上。即使如此，未經季節調整的失業率反映季節性影響也能進行AI數據分析。在7月數據分析後，10月數據才又更新數據分析結果。 我們可以發現美國失業率的最右邊淺灰線趨勢線並沒有改變起始年月，仍是2024年3月，並且整體趨勢結構也沒有發生變化。這代表美國聯邦政府在失業率上的施政並沒有干預過多，而是市場經濟的逐漸調整。 在加入8、9、10月數據後，淺灰線的趨勢從7月數據結果的平均每月增長0.20%，降到平均每月增長0.05%。此時，我們就能看到拜登政府在接近總統大選前為了維持失業率所做的努力。也就是說，當拜登無法連任時，民主黨希望維持的是經濟穩定。為了爭取勞動階層的支持，失業率維持住一定數字是非常必要的。 如果你有學習AI數據分析與統計學的迴歸分析，那麼你將在軟體運算的結果中看到殘差圖所顯示這樣的施政目的為失業率帶來多高的風險。因為當人為干預市場時，就會為市場帶來反向拉扯，造成風險上升。 整體來說，這張失業率趨勢圖代表拜登執政下美國失業率反映出逐漸脫離新冠疫情影響的經濟復甦與回到常態化的經濟過程。接下來換人執政，能不能在此基礎上持續表現在4.5%以下的水準，我們拭目以待。 7月數據： https://www.facebook.com/share/2bx7NGiTw2AcxnRw/

 如果沒有AI數據分析的軟體，數據分析也無法找到美國個人消費支出物價指數年增率(美國長期通貨膨脹目標的指標)追蹤趨勢發現的情況。 第一點，通貨膨脹不再是美國2024年的威脅 2024年1月是趨勢開始，見最右邊的粉色線。符合我們持續在今年年初一直說的美國通貨膨脹不再是威脅。所以後續第二季的通貨膨脹新聞都是為了幫助美國2024總統大選推升股市的重要情緒推動因素(恐慌)。 第二點，長期追蹤才能明顯看到政策實施影響趨勢結構改變 8月和9月數據是相同的趨勢結構，但不同於7月數據的趨勢結構。這代表美國在政策影響通貨膨脹相關指標上，特別是個人消費支出物價指數年增率趨勢上有很明顯的影響。也就是美國聯準會是真的看著這個指標在做事情。它在調節這個指標，使其政策目標達標。 第三點，9月PCE物價指數年增率讓2024年迄今的平均下降速度增快 9月數據對粉色線造成的平均下降影響遠超過8月數據。9月數據帶來了平均每月下降0.067%，8月數據則帶來了平均每月下降0.055%。這表示當我們加入9月數據進行運算後，對粉色趨勢線帶來更快的下降速度。也就是9月數據是更加往下走的數值。注意的是，這邊我們不提供是否9月數據會成為新趨勢開始的檢測結果。 原值、邊際、平均觀念 如果你有點不能理解為什麼一個9月數據能夠讓2024年1月到9月期間的個人消費支出物價指數年增率下降更快，這是一個平均的概念。 將9月數據視為原數值，我們可以將8月和9月數據相減得到「邊際」(Margin)。所以9月數據減掉8月數據是負值，代表9月數據小於8月數據。因此，當我們加入9月數據後，整體平均值會下降。 從簡單的算數平均數計算公式來看，我要將前8個數字相加後，除以8，得到1到8月的平均值。然後再將9月的數字加入，重新使用算術平均數公式計算：9個數字相加後，除以9，得到1到9月的平均值。 所以，我們同樣可以從平均值計算中得到，如果1到9月的平均值比1到8月平均值還來得小，這代表9月的數字是低於1到8月的平均值，才會在除以9時拉低數字。 這個概念在經濟學原理的邊際產量、平均產量，以及原產量之間的關係。 小結 對於能夠擁有AI數據分析的軟體，輔助我們在數據分析時能夠解除分析人員對數據的認定問題，並且讓人工智慧在其中產生作用取代分析人員事前的數據認定。這帶來了很大的數據分析優勢，提取出更多的關鍵數據資訊，以供決策或了解現況與未來。...