了解人工智慧與自訂視覺
現在您已備妥專案，就可以逐步了解我們所即將進行項目的概觀。 人工智慧 (AI) 正如其名：人工。 AI 是模擬智慧，其使用「大量」的資料為後盾。
特別是看自訂視覺 AI 的物件偵測，我們可將處理序分成兩個步驟：
- 告訴 AI 物件在影像中的位置。
- 提供 AI 具有物件的圖片，然後 AI 會告知物件的所在位置。
聽起來相當簡單，但 AI 如何知道運作的方式？
影像辨識：色彩
雖然深入探討 AI 的建置方式超出本課程模組討論範圍，但我們可從其運作方式開始了解。 電腦會依賴可轉換成資料的內容 -- 更明確的說，就是數字。 您可想像當電腦顯示影像時，可以檢查每個像素，並告訴您每個位置的色彩。 此電腦並非「智慧型」，但其可在檢查像素時告訴您每個像素的色彩。
現在想像電腦更聰明一點，且可識別影像中顯示的主要色彩。 我們已經可以開始「教學」(在 AI 中稱為「訓練」) 電腦以識別影像。 例如，若我向電腦顯示這張蹦吉的圖片：
電腦可能會理解白色與黃色佔大部分的圖片，就是有蹦吉的圖片。 但是，若我們向電腦顯示這張嫦娥的圖片呢？
該圖片也有許多白色與黃色，因此電腦可能會認為這也是蹦吉的圖片。
若我們向電腦顯示這張蹦吉在夜空下的圖片呢？
有白色，但完全沒有黃色，因此電腦可能會認為這「並非」蹦吉的圖片。
影像辨識：圖形
為了解釋具有類似色彩的不同物件影像，或具有不同色彩的相同物件影像，我們演進了 AI 演算法，以開始辨識線條與圖形。 您可開始想像如何在 AI 開發之初完成此作業。 可將線條或圖形描述為色彩的轉移。
電腦會開始將這些色彩的位置納入考量，而非只追蹤影像中的彙總色彩。 若相同的色彩相鄰，則色彩之間可能正在建立線條或圖形。
這種分析可能很有用 (例如，若我們要開始識別月亮的圖片)。 現在若圖片中有白色圓形 (通常針對藍色或黑色背景)，我們就可以說其中有月亮，如下所示：
以及若我們向電腦顯示這張圖片：
電腦可能仍可辨識，因為有與藍色或黑色背景相異的白色圓形。
但電腦可能無法將下列圖片辨識為月球的圖片：
因為該月亮並非完整的白色圓形。
影像辨識：進階 AI
如您所見，AI 的進展 (特別是在影像辨識方面) 從一開始簡單，到因為越來越多人開始以各種方式投資，以協助電腦找出其看到的內容，而變得更複雜。 在今天的世界，以及用來驅動 Azure 自訂視覺資源的 AI 中，影像辨識將許多因素納入考量，而非只有色彩或圖形。 AI 已經在成千上萬個影像上訓練過。 AI 可偵測貓與狗之間的輕微差異，其可能對人類而言很明顯。 但是，若電腦看著兩個大小相同、四腳、具有尾巴與耳朵的褐色圖形，那麼您就可以看到區分貓與狗的特徵如何讓人印象深刻。
特定影像的訓練
雖然進階 AI 能夠偵測許多常見的物件 (狗與貓、汽車與自行車)，但若想要訓練 AI 以辨識「特定的」物件 (例如蹦吉之類特定電影的特定人物)，仍必須完成工作。
這是自訂視覺服務開始起作用的地方。 此服務其 AI 具有某些世界知識的背景，但對蹦吉 (或您的寵物) 「一無所知」。 所以我們要提供許多蹦吉的圖片，告訴 AI：它們是蹦吉。 我們每提供一個有蹦吉的影像，AI 就擁有更多專門代表蹦吉的特性資料。 有愈多不同角度、燈光和大小的蹦吉圖片，AI 就愈能夠從更大的影像中辨識出蹦吉。
這稱為「訓練」AI。
接下來，我們將測試 AI 以查看其是否已訓練完成。 我們的做法是提供其之前「從未」看過且包含蹦吉的影像。 這很「重要」，因為您會使用 AI 「尚未」用於訓練的圖片進行測試。 否則，您實際上並非測試其辨識蹦吉的能力。 您只是辨識其記住看過該精確圖片的能力。
這是「預測」您專案的步驟，稱為「測試」 AI。
在驗證 AI 的預測是否足夠精確之後，即可部署 AI，以便讓其他人可使用手機或電腦來識別物件。 雖然該活動超出本課程模組的範圍，但絕對值得您試用看看！
注意
請記住，何時要在自訂視覺入口網站中建立自訂視覺專案，以及何時詢問要個別進行訓練及預測的地區？ 這是因為您可能會 (例如從華盛頓州西雅圖) 訓練您的 AI。 在此情況下，您會想要使用接近雲端資源，以便有快速的處理序。 但是，您可能會將此 AI 部署給位於倫敦的母親，而您想要她能夠「快速」取得預測。 在此情況下，您會想要對預測使用更接近她的雲端資源。