AI未來會協助預測你的筆電什麼時候發生故障。自動編碼器(auto encoder介紹)。
目錄：
- 前提...故障預測的時空背景
- 為什麼需要找那麼多因子
- 更多因子跟自動編碼器(auto encoder)有什麼關係呢？
- 那使用自動編碼器來做維度縮減有什麼效果呢？
-「自動編碼器(auto encoder)於異常檢測(Anomaly Detection)」
-「自動編碼器(auto encoder)用於抵抗或去除雜訊(Denoising)」
-「自動編碼器(auto encoder)用於壓縮影像或時序性資料」
- 延伸閱讀前提
故障預測，是一個很常見的AI應用，舉例來說：我們可以預測筆電的風扇或者電池是否即將發生故障，我也相信以後每一台筆電都會有這個功能。
很顯然，不論是風扇或電池應該都跟使用時間相關，但他是絕對的關係嗎?只要使用到指定時間就會固定損壞嗎？顯然不是。所以我們會用一些感測器來獲得更多資料，例如：風扇的振動頻率、聲音，或者筆電內部溫度、某些迴路的電壓等等。
那為什麼需要找那麼多因子呢？
的確，也許我們直接拆開筆電去量阻抗，或者乾脆丟去原廠維修中心檢查，很快我們就可以確認我們的筆電是否有元件異常，進而判斷風扇或電池可能即將故障。
但問題是，檢測是否異常導致工作停滯，反而會導致更多經濟上的損失。於是我們希望用一種非侵入式的、不影響運作的方式來進行故障預測，這也是大部分故障預測的專題誕生的時空背景。
總之我們就是旁敲側擊的用一些相關但不相同，而且容易測量的因子，來輔助我們判斷是否會故障。
但更多因子跟auto encoder有什麼關係呢？
為了能夠更好的判斷筆電是否即將發生異常，我們會盡可能地收集大量的數據進行計算，這些大量的數據不只是資料的總量很多，同時也包括種類很多，比如說你把筆電主機板的每一個電晶體的電壓都當作資料收集起來，那可能會有上千個維度。
而上千個維度，也就是高維，會導致一個可怕的問題：維度詛咒。
維度詛咒就像是因為變數太多，所以演算法沒有辦法進行訓練(記憶體不夠)、或者是演算法在計算時因為維度太高而產生錯誤。
這時候我們就可以使用「維度縮減」這種技術。
代表性的維度縮減包括PCA、LDA、t-sne，還有今天的主角─ 自動編碼器(auto encoder)。
自動編碼器(auto encoder)是透過神經網路來進行降維的技術，他的目標是讓輸入等於輸出。
由於一開始神經網路裡的權重是隨機的，所以輸入不等於輸出，但我們會透過訓練讓輸出入的之間的loss(誤差)變小，直到輸入等於輸出，這時候我們再取其中間層來使用，這個中間層就相當於把輸入做非線性轉換後得到的一個映射，藉此我們就達到了維度縮減的目的。
那使用自動編碼器來做維度縮減有什麼效果呢？
列舉幾項如下：
1. 可以直接用來做異常檢測(Anomaly Detection)
2. 可以用來抵抗或去除雜訊(Denoising)
3. 可以用來壓縮影像或時序性資料(By CNN or RNN layers)
下面我們根據上面三個效果做一些說明。
「自動編碼器(auto encoder)於異常檢測(Anomaly Detection)」
自動編碼器的目標是對輸入資料做維度縮減，也就是得到一個包含大部分原始資料特徵的序列。這個序列可以當作是原始資料在低維的投影。而這個投影對於輸入資料的變動是相當敏感的。
就像是對人類來說 3公分和 1吋之間幾乎沒有差異，但對螞蟻來說卻是天差地別
透過自動編碼器從更微觀的角度來看資料，就很容易能找出異常。
「自動編碼器(auto encoder)用於抵抗或去除雜訊(Denoising)」
自動編碼器是基於神經網路而建立，而我們可以透過「dropout」或「Elastic Net正則化」來建立一個稀疏的神經網路，讓訓練的時候某些輸入的資料被隨機的放棄，這會讓訓練更加困難，但會讓輸入資料發生異常變動(雜訊)時，能夠產生不受雜訊的穩定的低維序列。
這個低維序列能夠代表去除雜訊後的原始資料。
「自動編碼器(auto encoder)用於壓縮影像或時序性資料」
自動編碼器並不一定需要使用單純的神經層，他可以使用CNN Layers如Conv2d或是RNN Layers如LSTM之類的特殊神經層。
這讓影像或時序資料的維度縮減可以實現。
大致上，自動編碼器的應用就介紹到此，關於其原理與建置相信網路上已有相當多文章，或者日後我再來進行編寫。
自動編碼器還有更多應用，如果有興趣可以看一下底部連結延伸閱讀的其他文章。
