中國人常說「勤有功, 戲無益」。這句話已不合時宜，近年通過遊戲學習法（Gamification），衍生出極大商機。遊戲不單可刺激學習的好奇心，也可以設計出更好的學習課程，甚至從遊戲和互動過程，以攻克難關，尋求突破。
全球最為人熟悉AI擂台，相信是2010年開始舉辦的ImageNet，比賽辨識和分類網上的圖片內容，ImageNet比賽由普林斯頓大學研究人員發起。2012年多倫多大學博士生Alex Krizhevsky參賽，開發了深度學習框架AlexNet，一嗚驚人，錯誤率從25%一下減至15%，視覺運算研究自此突飛猛進，幾年內進入商用階段。我們熟悉的商湯，也是站在巨人肩膀上成長。不過ImageNet辨識錯誤率已甚低，今年加入更困難的3D圖像。
類似遊戲學習法，市場上汗牛充棟。近年AI興起，AI編程又跟傳統程式設計不一樣（機器學習處理推論問題，不是嚴謹的邏輯關係）；難覓適當人才。其中一個方法，乃透過遊戲及比賽選拔，美國就有初創Kaggle，以AI競技吸引好手打擂台，結果被Google收購。
不少人認識機器學習，均以推算樓價的遊戲開始。香港以寸金尺土見稱，更令人感到興趣。顧客買賣樓宇，地產經紀說出樓盤位置、樓齡、建築或實用面積，買家便心中有數，估計一個大約價錢。更有經驗者，更可以同區樓價，校網等因素作參考。以上種種考慮因素，就可應用於機器學習，以數據為基礎，推算出最好答案。以機器學習推算樓價，不少AI課程均有提及，掌握其中竅門，卻不簡單。
去年倫敦Strata Data Conference國際大數據會議，知名AI競賽平台Kaggle總裁Anthony Goldbloom；總結了打造機器學習三個重點。首先是要把收集數據，以不同方法排列或組合，務求用戶熟悉數據關係；第二，便是要提取不同特徵（Feature）作使用和分析。以上述樓市為例；從數䶖、面積、位置、甚至校網，都可成特徵，再加入演算法中先行測試。最後，便是選擇一個相關的演算方法（Algorithm），輸入大量數據，建立模型作日後的推論。
Goldbloom指出上述三步曲之中；第二步的特徵建立最重要。他舉出成功個案之一，以機器學習估計二手車市場價值。設計機器學習的參賽者，留意到汽車的顏色，可成為演算的特徵之一；故此車䶖，駕駛紀錄外，又再加上一般顏色和罕有顏色區別。原因是擁有罕有顏色汽車的車主，應較愛護車輛，打理較仔細，二手市場上價錢，亦相對地提高。
據Goldbloom觀察，推論如果選錯了特徵，則難建立可靠模型。集中搞算法，忽略提取特徵的重要性，捨本逐末，如緣木求魚。
另外一個受初學者歡迎的挑戰，以鐵達尼郵船生還者特徵，作為預測數據。當年鐵達尼號與冰山相撞而沉沒，差不多四份之三乘客，近1500人罹難；慘劇主因是救生艇不足。通過數據分析，以機器學習演算，不難發現坐頭等艙乘客、或婦女嬰兒生還機會，較其他乘客為大。
Kaggle在2009年成立；平台從企業提供真實數據；再以比賽形式，參賽者使用透過不同機器學習的算法，預測指定結果，以最準確推算出結果的一隊勝出，優勝者可獲得獎金或獎品。去年Google收購Kaggle鞏固AI業務，市場不感意外。AI專家難求，Kaggle可發掘專才，大企業紛謀求合作。
Kaggle是近年推動機器學習功臣之一。兩年前Kaggle跟澳洲Telstra電信合作，提供了一堆從內部收集到的網絡數據，參賽者根據資料，開發網絡預測系統，估計到了那些時段，網絡會有中斷事故。優勝者除可獲得獎金，更有機會收到聘書。類似預測，香港也有類似案例，水務處，就曾聘請IBM建立機器學習，預測何時爆水管，安排率先維修。近期港鐵工程沉降搞得沸沸揚揚，AI應也可預測。政府或港鐵開放數據，說不定重賞之下，必有勇夫。
開放數據，多搞比賽。說不定香港可變AI之都。
作者：梁定康，現任網絡工程師，負責研究IT保安及網絡設計