編按：深度學習是目前AI發展的核心技術，特別是在影像辨識和自然語言的處理，最能發揮優勢，本篇文章將介紹最具代表性的深度學習技術和最新的應用案例。
CNN（卷積神經網路）的架構
CNN 原本的設計是用來模仿人類視覺功能，因此影像辨識是其主要的應用，
最近已經逐漸擴大應用範圍，訊號和自然語言處理也開始使用 CNN 了。
卷積神經網路 (Convolutional Neural Network，CNN) 是一種神經
網路模型，常用來處理規則排列的影像資料。CNN 這個名稱是從處理時使
用名為卷積 (convolution) 的數學運算而來。
下圖是 CNN 神經網路的基本架構，從圖中可以看到在輸入層和輸出層
之間，多了卷積層和池化層，兩者可以視為是一種過濾器。
RNN（循環神經網路）的架構
RNN 與 CNN 都是最具代表性的深度學習模型。RNN 很擅長自然語言處理這類時間序列的資料，近來也常用於物聯網與機器異常檢測的應用。
RNN（Recurrent Neural Network，循環神經網路）是可以處理不定長度資料的神經網路。下圖說明了 RNN 的基礎結構。從圖中可以看出 RNN與 CNN 最大的不同在於，RNN 具有回饋 (Feedback) 機制，也就是在隱藏層中輸入前一次的輸出值 h。
生成模型與 GAN（對抗式生成網路）——生成影像資料的技術
深度學習不僅可以辨識影像和聲音，也可以用來產生新資料。近年來，用神經
網路來生成文章、影像等技術不斷提升，相關的商業應用正不斷擴大發展中。
機器學習的分類模型有識別模型 (Discriminative Model) 和生成模型 (Generative Model) 兩種。常見的識別模型能預測輸入資料屬於各類別的機率，例如用 CNN 識別影像，並得到像狗 80 ％、貓 20 ％的機率輸出。
生成模型也會輸出屬於各類別的機率，但會先從大量的訓練資料中，推導出各類別適合的機率分佈，然後在預測新資料時，即可依新資料的分佈結果計算其機率。這裡所謂的機率分佈就如下圖所示，假設資料有 ○ 和 × 兩個類別，依照各類別樣本分佈的情形，就可推測出其機率分佈的範圍，也就是圖中橢圓的部份，而越靠近橢圓中心的資料，有較高的機率屬於該類別。
結合數位替身與 AI 生物辨識的行動銀行
美國的軟體公司 Sensory 多年來持續開發有關語音辨識的嵌入式裝置技術，該公司是使用名為 Virtual Teller 的 AI，開發了適用在行動銀行的解決方案。透過 Virtual Teller，使用者可以如同在櫃檯與服務人員溝通一般，虛擬人員對話同時進行交易。身份認證方面，則使用了語音辨識和人臉辨識的 AI 生物辨識技術以提高安全性。
此外，進行認證的 AI 內建於智慧型手機的應用程式中，因此取得的生物資訊不會上傳到網路。為了與智慧型手機的「數位替身」順暢對話，也搭載了語音辨識和語音合成功能，以提高互動效果。Sensory 透過將 AI 建置於手機軟體中，實現了高安全性且易於使用的使用者介面。
狐禪
