「日常有感AI應用服務」正在浮現
行銷專家Seth Godin在最近的這篇短文中提到：如果不考慮隱私問題（或是獲得同意），可以靠AI整理人脈資料庫（簡單的形式就是通訊錄）、並且分析出其中的關聯，讓使用者可以問「我的朋友之中，有誰認識在XX公司工作的人」之類的問題。
其實我從2018年到現在，已經寫過好幾篇文章講這個題目：
而對於以「人」為中心的關係而言，包含網路帳號、傳訊名單、人際金流交易、實體地址定位、以及駕車／叫車導航、甚至個人IPv6位址的通訊錄，都應該是未來這一切「關係流」的基礎。
如果有個現成的系統，能夠聰明的從不同來源拉到這些資料（包過自己建立過的、以及其他來源的公開資訊），並且透過演算法、甚至AI，幫你整理出可以查詢的關聯、並且適時提醒你該做什麼，是不是很棒？
所謂「有感AI」，主要的條件在於（這是我的定義）：
- 消費者能直接感受到AI的協助；
- 能將原本繁瑣或費工的日常事務做得更好，明顯節省使用者的時間；
- 不一定要是影像處理這類的大量運算工作，而是一般工作者需要日常反覆進行的作業；
-為消費者在大量資訊中快速找出最快的消費路徑。
（有興趣的話，請依照網址順序閱讀）
「日常有感AI」
雖然已經寫了這幾篇來討論「日常有感AI應用服務」的可能性，但還是想再次強調的是，雖然AI現在的對話和繪圖功能已經可用、而且在持續進步，但未來的生根發展和競爭優勢，還是必須靠AI與這類日常應用的深度結合。
我更期待的，是這些「AI日常應用」的誕生；因為它們能做的，不是「幫你做你不會的事情」，而是「在你已經會／正在做的事情／已經擁有的資料」之中，挖掘出更多寶藏。
上述的「幫你做」和「幫你整理」兩件事，以現在的定義來說其實是兩種不太一樣的AI應用；前者是所謂的「生成式AI」（generative AI），可以幫你做出原本不存在的圖文，後者則是在已有的資料中模仿人類小秘書的方式，找出資料之間的關聯，只是它不會累。
但即使是生成式AI，仍然需要大量的學習資料作為基礎，而不是真的能無中生有。如果從這個角度來看，它跟「幫你整理」的AI沒有太大差異，都是所謂的「弱AI」（相對於有自我知覺的「強AI」）。
等到有一天，你可以問電腦「我住在台北的朋友之中，最近有誰可能正在日本玩」（通訊錄內容+社群媒體公開資料連結分析），然後發訊息請他幫忙帶東西回來；或是「我的Facebook朋友之中，有誰是在XX公司工作」（FB+LinkedIn公開資訊比對）時，大概就是我在想的樣子了。
自訂模型
今天看到的網友貼文（圖文來源）：
OpenAI 開放使用者用自定的資料集微調機器人了。在 GPT-3 的模型上，可以餵食你的資料，並且自己訓練：
比方說回答產品或服務的資訊、協助客戶排除問題，或是直接讓機器人提供您的專業服務。
這是他們微調機器人的介紹頁面》https://platform.openai.com/docs/guides/fine-tuning
我覺得這是企業或一般人透過實做了解〝什麼是AI〞的很好學習：
第一步，就是先準備一個高品質的標記好的資料集，而且數量要夠大。
沒有資料集，那AI就跟你的事業沒有關係。
這是我覺得比現在常見玩法更棒的應用，也是我說的「日常有感AI應用服務」的開始。
對於企業而言，這個機制會很有用，例如餵進去幾年份的產品資料，讓AI幫忙做彙整，然後回答顧客以自然語言詢問的產品問題；如果餵進大量會計傳票資料，還可以幫忙產生報表、做各種財務預測、甚至抓帳勾稽，那就更好了。
重點是，這些動作理論上都是在公司內部的資料集之中執行，相對比較安全、也容易根據自己的需求定義，也就是圖中所謂的fine-tuning（依照需求微調）。
對於一般個人來說，我們大多沒有已經標準化（normalize）、或是標記好的資料可以餵（根據報導，目前有些AI學習資料是在低薪地區以大量人力預先處理的），資料量也很小，所以自己弄模型並不實際。
「日常AI」的開始
所以，這時候又要回到先前說的「與日常服務結合」這個方向了。
即使是一般人，手上也可能有幾年、或十幾年份的行事曆、通訊錄、以及email資料，這些量應該足以用來訓練一個小模型；而且因為這些資料多半是在Google、iCloud、或是Outlook等服務上，以資料庫的方式存在，所以沒有上述的標準化等問題，技術難度就不那麼高了。
不過這就不算是自己的模型了，而是這些廠商將AI加進服務之中，變成在限定範圍（你的帳號）中可以使用的功能；例如你可以問Gmail「王小明去年七月那封談版稅的信中，提到的數字是多少」、或是問行事曆「上次跟陳小美見面到現在已經多久了？幫我在三月中找個時間再約一下」之類的。
這些應用的排列組合（例如叫email服務串行事曆、把資料丟去專案管理工具，讓AI幫你找空檔、甚至抓問題），未來的空間是無可限量的。這個發展對於日常工作和生活的助益、以及對未來的影響，我覺得比跟ChatGPT聊天大多了。