iPAS 備考專區 登入

iPAS AI 應用規劃師 初級 科目一 人工智慧基礎概論・115 年第一次・L11・第 47 題

結構化預測是什麼?逐詞標註跟分類有什麼不同?

原題

某企業規劃導入 AI 技術支援多項資料分析任務中,下列何種屬於結構化預測(Structured Prediction)問題?

白話

一家企業規劃導入 AI 技術,評估多項資料分析任務,想找出哪一種屬於結構化預測(Structured Prediction)問題。

問你:下面哪一種資料分析任務屬於結構化預測問題?

一句話總結

結構化預測的輸出是「有內部結構的序列」,逐詞標註輸入一個句子、輸出每個詞的標籤序列,各標籤間相互依賴,是最典型的結構化預測問題。

情境

先感受問題:一個問題一個答案 vs. 一個句子一排答案

想像你是「語音科技」公司的 AI 規劃師。你們的語音轉文字系統產出了一段文字:「台積電昨天在台北宣布了新的投資計畫。」

現在你有幾個任務可以對這段文字做 AI 分析:

  • 任務 A:這段文字是「正面新聞」還是「負面新聞」?→ 輸出一個類別
  • 任務 B:這段文字說的事件發生在哪一年?→ 輸出一個數值
  • 任務 C:這段文字裡,每一個字是什麼詞性、屬於哪個實體類別?→ 輸出跟輸入等長的標籤序列

任務 C 的輸出長這樣:「台積電 = 公司名稱 / 昨天 = 時間 / 在 = 介系詞 / 台北 = 地名 / 宣布 = 動詞 / 了 = 助詞 / 新的 = 形容詞 / 投資計畫 = 名詞」。

一個句子 8 個詞,輸出 8 個標籤,而且標籤之間有關聯(「昨天」後面接「在台北」,所以「昨天」是時間而不是形容詞)。這就是結構化預測。

舊方法

為什麼傳統分類不夠用的五個原因

  1. 輸出長度不固定:分類模型輸出固定個類別,但詞性標注要輸出跟輸入一樣長的序列,長度隨輸入變化
  2. 輸出各位置相互依賴:「昨天」的標籤受到「在台北」的影響,傳統分類對每個位置獨立預測,無法捕捉這種上下文關係
  3. 輸出需要全局一致性:整個句子的標籤序列要在語法上合理,不能「台積電」和「台北」都標為「公司名稱」
  4. 評估方式不同:分類只看「對幾個」,結構化輸出要看「整個序列是否正確」,評估維度更複雜
  5. 解碼(Decoding)問題:在所有可能的輸出序列中找最好的那個,搜索空間是指數級的,需要專門的解碼算法(如 Viterbi)

「語音科技」的初版系統用普通分類器對每個詞獨立預測詞性,結果很多語法上不合理的標籤序列(例如連續三個動詞),客戶很不滿意。

新方法

結構化預測如何看待輸出

結構化預測的核心思維是:把「整個輸出序列」當作一個整體來優化,而不是對每個位置獨立預測。

對「語音科技」的詞性標注任務,結構化預測模型(如 CRF 或 Bi-LSTM-CRF)在預測「昨天」的標籤時,同時考慮左邊「台積電」(公司名稱,後面通常跟時間或地點)和右邊「在台北」(地名前面通常是時間),因此才給出正確的「時間」標籤。

輸出是完整的序列,每個標籤不只是「最高機率的類別」,而是「在整個序列上最合理的組合」。這讓系統輸出的標注在語法上總是一致的。

這就是選項 D 講的:為語音內容轉換後的文字進行逐詞標註。輸入一個詞序列,輸出一個標籤序列,標籤間有結構性依賴,是結構化預測的典型形式。

錯選項

為什麼其他選項是錯的

A判斷一封電子郵件是否為垃圾郵件

字面在說什麼

輸入一封郵件,輸出「垃圾」或「非垃圾」的判斷結果。

為什麼不對

這是二元分類(Binary Classification)問題,輸出是一個單一的類別標籤(是/否),不是具有內部結構的輸出。輸入整封郵件,輸出一個決定,屬於典型的監督式分類任務。

誰會選錯

不清楚「結構化」這個詞指的是輸出結構,而不是任務場景結構的人。結構化預測的「結構」是指輸出的形式(序列、樹、圖),不是說任務描述有多複雜。

B預測未來一週的產品需求量

字面在說什麼

輸入歷史銷售資料,輸出未來 7 天每天的需求數字。

為什麼不對

這是時序預測(Time Series Forecasting)或迴歸(Regression)問題。雖然輸出是一個序列(7 個數值),但這 7 個數值是獨立的時間點預測,不涉及輸出各元素之間的標籤依賴結構。結構化預測強調的是輸出中各元素的「語法一致性約束」,時序預測沒有這種約束。

誰會選錯

看到「一週 7 天 = 序列」就以為是結構化預測的人。時序預測的輸出也是序列,但每個時間點可以獨立預測,不需要考慮輸出元素之間的結構依賴。

C預測客戶是否可能流失

字面在說什麼

輸入顧客的行為資料,輸出「會流失」或「不會流失」的概率或類別。

為什麼不對

這是二元分類問題,輸出是單一的類別標籤或機率值。顧客流失預測的輸出「0.87 的機率會流失」是一個數字,不是具有內部結構的序列輸出。

誰會選錯

把「複雜的輸入特徵」誤解成「結構化輸出」的人。顧客流失模型的輸入可能包含幾百個特徵(使用次數、消費金額、投訴次數……),但輸出只是一個機率,輸入複雜不等於輸出是結構化的。

變形題

同個考點下次怎麼變形

延伸

想再往下看,這 5 個

答案、題目或解析有問題?回報這題

出處:iPAS 經濟部產業人才能力鑑定 ・ 115 年第一次 iPAS AI 應用規劃師 初級 科目一 人工智慧基礎概論 第 47 題

看官方原文 PDF

原題 © 經濟部產業發展署,AITerms.tw 僅作教學解析使用,本站解析以 CC BY-NC-SA 4.0 授權。