顯示具有 AI 標籤的文章。 顯示所有文章
顯示具有 AI 標籤的文章。 顯示所有文章

2026年6月2日 星期二

2026 06 02 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 記憶體概念股有哪些?2026台股受惠名單一次看 DRAM製造廠 南亞科(2408)、華邦電(2344)摩根士丹利在5月底的報告中坦承先前看法太保守,將DDR4下半年的供需缺口從原估的14%上修到19~20%,同步大幅調升目標價,華邦電從100元升至222元、南亞科從278元升至380元,兩檔評等都調回「優於大盤」,華邦電也被列為族群首選。

 

2026記憶體漲價為何停不下來?缺貨原因、概念股有哪些、漲到何時一次看


撰文者:倪旻勤 整理
商周頭條 2026/06/02




記憶體是什麼?為什麼記憶體會漲價?記憶體概念股有哪些?台股哪些受惠? (來源:Dreamstime/典匠影像)

南亞科2025年全年股價飆漲近6倍、華邦電也翻了4倍,群聯、威剛等記憶體股同步噴出,漲幅動輒倍數起跳。進入2026年,這股熱度不減反增,摩根士丹利5月底發布報告指「先前看法太保守」,大幅上修記憶體的供需缺口,並調高華邦電與南亞科目標價。曾被視為「景氣循環慘業」的記憶體,搖身一變成了當前台股最火的題材。

為什麼記憶體突然這麼缺、這麼貴?這波漲價還能撐多久?想跟上這波行情,該關注哪幾檔概念股、它們又差在哪?萬一景氣反轉,誰會先受傷?

記憶體是什麼?DRAM、NAND、HBM差在哪?

記憶體是電子裝置用來暫存與保存資料的主要元件,本質上是一種把大量電子元件集成在矽晶片上的積體電路,沒有它,電腦、手機和伺服器就無法運算及反應,我們常聽到的RAM(隨機存取記憶體),就是其中一大類。記憶體可粗略分為兩類:

  • 揮發性記憶體:斷電後資料會消失,最具代表性的是RAM家族裡的DRAM(動態隨機存取記憶體),通常用來作為電腦的主記憶體。
  • 非揮發性記憶體:斷電後資料仍可留存,如NAND Flash(快閃記憶體),它是固態硬碟(SSD)與手機儲存空間裡負責儲存資料的晶片。

DRAM負責暫時存取資料,會直接影響系統運算速度的快慢,DDR4、DDR5講的就是DRAM的不同世代,後方數字代表世代,越大越新、也越快越省電。2014年的DDR4為目前個人電腦與伺服器的大宗,2020年推出的DDR5則是新機種主流,兩者插槽不相容,不可混用。

NAND Flash則扮演長期儲存的角色。至於近年最熱門的HBM,全名是「高頻寬記憶體」,是一種用3D堆疊技術把多層DRAM疊起來的高效能版本,專門用於解決AI晶片運算遇到的資料傳輸瓶頸。

三者之中,目前供給最吃緊的是HBM。它的製程複雜、良率偏低,產能比一般記憶體小得多,價格也最昂貴,但輝達的高階AI加速器幾乎都得仰賴它,是AI伺服器不可或缺的關鍵零件。

為什麼記憶體會漲價?

記憶體漲價的主因,為3大原廠(三星、SK海力士、美光)將主要的晶圓產能分配給AI伺服器要用的高利潤記憶體,因而排擠了一般消費型記憶體的產量,是供給端被擠壓造成的短缺。


由於生成式AI帶動伺服器建置潮,需要極大量的HBM。而HBM與一般DRAM在製程上高度重疊,記憶體3大原廠自然優先轉而生產利潤更高的HBM與企業級記憶體。

生產1個bit的HBM約要消耗3個bit標準DRAM的產能,這種「1換3」的排擠效應更放大了缺口。一旦產能傾斜,傳統DDR4、DDR5的供給就會快速下滑,記憶體報價也就跟著一路墊高。

更弔詭的是,照常理新規格上市後,舊規格應該逐步降價出清,但這次舊世代的DDR4比新世代的DDR5更缺、甚至更貴。原因在於,原廠集中資源到新製程後,DDR4產能逐年探底,但市場上仍有大量舊設備需要維修升級,加上不少伺服器與網路設備短期內難以改用DDR5,使DDR4出現結構性的需求復甦。

供給縮、需求還在,2025年下半到2026年初,一度出現DDR4每GB報價比新款DDR5還貴的倒掛現象。

3大品項漲幅一覽
品項漲幅與時程主要推手
DRAM(伺服器、PC)2025年第四季合約價季增逾5成,2026年第一季續漲AI伺服器拉貨、原廠減產
DDR4(舊世代)部分通路較2025年9月漲逾4倍,每GB一度比DDR5還貴原廠退出、舊設備需求復甦
NAND Flash2026年第一季約較1年前漲1.2倍企業級SSD與AI推理儲存需求
HBM價格原為伺服器DDR5的4到5倍;2026年合約價走平,但產能已售罄排擠DRAM、NAND產能的源頭,本身非漲價主角

記憶體會缺貨、漲價到什麼時候?

多數研究機構認為,這波漲勢至少會延續到2026年下半年,部分品項甚至可能拖到2028年。高盛在2026年2月發布的記憶體產業報告中指出,2026年極可能是近15年來市場供應最緊繃的一年,並預估全球DRAM在2026、2027年將分別出現4.9%與2.5%的供需缺口。

雖然3大原廠都在擴產,但新增的成熟製程產能大多要到2027年底才會開出,遠水救不了近火。TrendForce預估,2026年DRAM需求年增約26%,但供給年增率只有2成,供需缺口至少6個百分點。NAND也類似,因原廠控管產能加上AI推理帶動的儲存需求,漲勢同樣可能延續一整年。

不過需要注意的是,股價不會一路平順。2026年初台股記憶體類股就曾出現長達3個月、跌幅達3成的修正,顯示市場對「循環何時見頂」看法分歧。

記憶體3巨頭是誰?HBM、DRAM市占怎麼分?

全球HBM市場由3家原廠主導,分別是南韓的SK海力士、三星,以及美國的美光。據Counterpoint Research的數據,2025年第四季HBM出貨市占率,SK海力士以近6成居冠,三星約2成排第二,美光緊追在後,等於每10顆HBM就有約8顆來自南韓廠商。

若看整體DRAM市場,主導者同樣是這3巨頭。三星、SK海力士與美光合計市占超過9成,形成寡占格局,三者在2025年的排名隨HBM與漲價效應幾度互換,但始終把持前3。台灣的南亞科與華邦電雖也產DRAM,但全球市占僅個位數百分點,走的是利基型與成熟製程路線。

3家記憶體大廠各有所長。SK海力士靠著最早卡位與龐大產能穩居龍頭,成為輝達的首要供應商;美光強項在於功耗控制,靠著較省電的製程拿下輝達一部分高能效訂單,雲端記憶體部門毛利率更衝上66%的驚人水準;三星則在通過認證與布局下一代HBM4後急起直追,市場預估2026年市占有機會突破3成。

值得留意的是中國變數。長鑫存儲正在開發HBM,不過受限於速度與散熱等技術瓶頸,量產時程持續落後,短期內仍撼動不了3巨頭,但在中低階傳統記憶體市場,中國廠商的低價策略已開始發酵。

記憶體概念股有哪些?2026台股受惠名單一次看

台灣記憶體供應鏈是這波超級循環的受惠者,但受惠程度依公司在產業鏈位置而有明顯落差。一個簡單的選股邏輯是,握有自有晶圓產能的製造商,受惠比只做模組與通路的廠商更直接、也更持久。

記憶體概念股分類表
角色定位代表個股(代號)受惠邏輯風險特性
DRAM製造廠南亞科(2408)、華邦電(2344)主攻DDR4/DDR5,自有產能可承接原廠退出DDR4的轉單,報價與產品組合同步改善。受惠最直接,但仍受循環反轉影響。
NAND/利基製造廠旺宏(2337)NOR Flash、eMMC等利基產品報價走揚,獲利動能轉強。產品組合集中,獲利需看單一品項報價。
控制IC廠群聯(8299)製造SSD控制晶片,AI帶動高容量儲存需求,出貨成長。與NAND報價及客戶拉貨連動。
模組/通路廠威剛(3260)、十銓(4967)、創見(2451)、宜鼎(5289)漲價初期手上低價庫存增值,短線爆發力強。無自有產能,循環反轉時庫存跌價風險高。
註:NOR Flash為常用於開機與工控的利基型快閃記憶體;eMMC則是手機、嵌入式裝置常見的儲存晶片。

以上公司可分為3類:

第一類:DRAM製造廠(受惠最直接)

當美光、三星、SK海力士逐步退出利潤較低的DDR4市場,南亞科與華邦電正好承接轉單。南亞科與華邦電2026年第一季營收都改寫歷史新高,南亞科單季營收年增近6倍、淨利率超過5成,是這波基本面最亮眼的標的。

法人態度也轉趨積極,摩根士丹利在5月底的報告中坦承先前看法太保守,將DDR4下半年的供需缺口從原估的14%上修到19~20%,同步大幅調升目標價,華邦電從100元升至222元、南亞科從278元升至380元,兩檔評等都調回「優於大盤」,華邦電也被列為族群首選。

第二類:利基製造廠與控制IC廠(靠特定產品翻身)

這類個股的續航力,取決於它押注的利基產品熱度能撐多久。旺宏受惠於NOR Flash與eMMC報價大漲,在2026年第一季轉虧為盈,終結連續10季虧損,獲利動能明顯轉強。群聯則因AI應用帶動高效能、高容量儲存需求,SSD控制晶片出貨成長,營收創新高。

第三類:模組與通路廠(彈性大但風險也大)

威剛、十銓、創見、宜鼎這類模組廠,在漲價初期靠手上低價庫存增值,短線爆發力最強,股價屢屢創新高,威剛甚至預告第二季合約價還會再漲逾4成。但因為它們沒有自有晶圓產能,獲利高度綁定報價走勢,一旦循環反轉,承受的庫存跌價風險也最高。

*本文提及的個股與分類僅供產業說明,非選股建議,投資人應自行評估風險、獨立判斷。

怎麼判斷股票還能不能抱?什麼時候該停利?

對想拉長持有的投資人來說,有兩個指標值得盯。一是有沒有自有產能:製造商在循環反轉時影響相對輕微,純模組廠則風險較高。二是庫存水位:手上低價庫存越多,獲利續航力越強,庫存過低的廠商,獲利會在庫存用罄後缺乏支撐。

至於什麼時候該停利,重點並非看股價漲了多少,而要注意產業訊號。當DRAM、NAND合約價的季漲幅出現收斂,或是各家獲利創新高、本益比卻不升反降時,往往代表市場已提前反映利多,循環正接近頂部。

想追蹤合約價,一般人有兩個管道。最完整的數據出自市調機構TrendForce,但多在付費報告中;不過每次合約價調整,財經媒體都會有即時報導,搜尋「DRAM合約價」就能掌握最新動向。

此外,TrendForce旗下的「DRAMeXchange」也每日免費公布記憶體現貨價,可當領先指標參考。要留意的是,合約價是原廠與大客戶按月或季議定的大宗交易價,最能反映產業真實供需;現貨價則是通路零星交易、波動較大。

請謹記,記憶體公司的財務數字是落後指標,產業供需才是領先指標,等財報才動作通常已經慢了。

記憶體漲價誰受害?PC、手機恐跟著漲

記憶體漲價的另一面,是下游品牌廠被迫吞下成本,最終可能轉嫁到消費者身上。記憶體是PC與手機的關鍵零件,報價漲價,整機成本自然會墊高。

首當其衝的是華碩、宏碁、技嘉等品牌廠。TrendForce評估,若品牌選擇轉嫁成本,2026年筆電售價恐普遍上調5%到15%。這也是摩根士丹利調降宏碁、華碩、仁寶等多家台廠目標價的理由,戴爾、惠普、聯想等國際品牌目標價同樣被下修。

更大的衝擊在於出貨量。研究機構IDC與TrendForce都已下修2026年全球智慧型手機與筆電的出貨預估。品牌廠目前多以提前拉高安全庫存因應,但成本壓力短期難解。

值得一提的是,「AI包下產能、其他人搶不到貨」的排擠現象不只發生在記憶體,被動元件(如MLCC、電容)近期也因AI伺服器需求同步掀起漲價潮。

記憶體超級循環會反轉嗎?3大風險要留意

儘管這波記憶體循環動能強勁,但投資人最該警惕的,正是在市場最樂觀時忽略反轉訊號。記憶體本質上是高度景氣循環的產業,產品標準化、差異小,價格隨著「缺貨、擴產、過剩、減產」4個階段反覆波動,漲多了終會回頭。


風險1:產能開出

3大原廠的資本支出,預計在2027年底陸續轉化為實際產能,屆時供需缺口可能收斂。不過要留意的是,這個時點目前看來是越來越遠。摩根士丹利5月底才上修DDR4下半年的供需缺口,從先前的14%上修到19~20%,並認為缺口會延續到2028年。

風險2:中國低價競爭

長鑫存儲等中國廠商正快速擴產、搶攻市占,業界估其DRAM全球市占將從2025年的約1成升至2026年的15%,長期來看是台系成熟製程廠的潛在壓力。

風險3:需求面的不確定

輝達若調整記憶體採用策略,或AI投資熱潮降溫,都可能改變報價走勢。

記憶體漲價常見問題

Q:DDR4比較舊,為什麼曾經比DDR5貴?

因3大原廠集中產能到利潤更高的DDR5與HBM,逐步退出DDR4,但市場上仍有大量舊電腦、伺服器與工控設備需要使用DDR4。供給被掐斷、需求卻還在,DDR4自2025年下半起每GB報價一度超越DDR5,出現新舊倒掛的罕見現象。

Q:一般人現在該買記憶體或電腦嗎?

若是非升級不可的剛性需求,可考慮趁有貨先買,因漲勢預期將延續到2026下半年甚至更久,等待了也不一定能換到更低價。若沒有急迫需求,則不必追高搶貨。

Q:想參與記憶體行情,除了個股還有什麼選擇?

除了直接買進個股,市面上也有納入記憶體權值股(如南亞科、華邦電)的半導體相關ETF,可分散單一個股波動風險。實際成分股與比重各檔不同,投資前應詳閱公開說明書並自行評估。



2026年6月1日 星期一

2026 06 01 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 第2排:Akamai(阿卡邁科技)、aiChip(世芯)、Alibaba Cloud(阿里雲)、Alsemy、Anivance AI(久浪智醫)、ANTHROPIC、APMIC(亞太智能)、Arm(安謀)、Armis、ASRock Rack(永擎電子)、Astera Labs、ASUS(華碩)、AURAS(雙鴻科技)、AUTOBRAINS、AVerMedia(圓剛科技)、AWS(亞馬遜雲)、Ayar Labs、愛吠的狗、Beyond AI、Bhashini、BizLink(貿聯集團)、Black Forest Labs、BYD(比亞迪汽車) 第3排:ByteDance(字節跳動)、CADASU(巴涼科技)、Cadence(益華電腦)、Canonical(科能)、Carnegie Mellon University(卡內基美隆大學)、國泰金控、Centific(昇迪凡科)、長庚醫院、Check Point、CHENBRO(勤誠興業)、中國文化大學、中原大學、Cisco(思科)、CLEVO(藍天電腦)、Cloudflare、Cloudian、Codetrace、COMPAL(仁寶電腦)、Cooler Master(酷碼科技)、CoreWeave、CrowdStrike、Crusoe

 

2026 06 01 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 輝達共同創辦人暨執行長黃仁勳1日在台北流行音樂中心舉行的GTC Taipei 主題演講第1排:1X、AAEON(研揚科技)、ABB Robotics、中央研究院、Accton(智邦科技)、ACCURAZZY(肖準行銷)、acer(宏碁)、ADLINK(凌華科技)、Adobe、Advanced Machine Intelligence、ADVANTECH(研華)、Aetina(安提國際)、AFARI(千里科技)、AGIBOT(智元機器人)、Agile Robots、 Agility、Aible、AIC(營邦)、Ailytics、AIM(采風智匯)、AIVRES 第13排:VIRPHYSIO(維理生醫科技)、Fruit Lady(阿婆水果攤)、Visionbay.ai(亞灣超算)、Vultr、王記府城肉粽、WEKA、文藻外語大學、Wistron(緯創)、Wiwynn(緯穎)、World Wide Technology、花娘小館、xAI、Xiaomi(小米)、Yo-Kai Express、Yotta、YTL AI Labs、YUAN(聰泰科技)、元智大學、富霸王豬腳極品餐廳、ZERONE(零壹科技)、ZOTAC、Zscaler、磚窯古早味懷舊餐廳

 

台灣是中心!黃仁勳背板「狂點290家夥伴」 中獎企業一次看


記者鄺郁庭、黃君瀚/綜合報導 ETtoday新聞雲 2026 06 01 

輝達共同創辦人暨執行長黃仁勳今(1)日在台北流行音樂中心舉行的GTC Taipei 主題演講,一聲「大家好」台股狂飆。他身後的背板也很有趣,包括黃仁勳在台灣的愛店「花娘小館」、「王記府城肉粽」、「富霸王豬腳」都驚喜列入名單。



整理背板廠商,一次看290家中獎企業。


黃仁勳在開場後,隨即秀出利用AI做出的Q版AI供應鏈棒球隊,除了他自己身穿黑皮衣戴著棒球手套即將投球外,其他供應鏈老闆及執行長們都身穿棒球裝,除此之外更精準還原每人的神貌,非常逗趣可愛。


黃仁勳也秀出供應鏈背板,還特別走到角落,介紹幾個「特別的供應商」,例如水果女士(Fruit Lady)、王記府城肉粽、花娘小館、富霸王豬腳極品餐廳以及近年舉行兆元宴的磚窯餐廳,都是他來台的愛店。

供應鏈背板完整廠商名單一次看:

第1排:1X、AAEON(研揚科技)、ABB Robotics、中央研究院、Accton(智邦科技)、ACCURAZZY(肖準行銷)、acer(宏碁)、ADLINK(凌華科技)、Adobe、Advanced Machine Intelligence、ADVANTECH(研華)、Aetina(安提國際)、AFARI(千里科技)、AGIBOT(智元機器人)、Agile Robots、 Agility、Aible、AIC(營邦)、Ailytics、AIM(采風智匯)、AIVRES

第2排:Akamai(阿卡邁科技)、aiChip(世芯)、Alibaba Cloud(阿里雲)、Alsemy、Anivance AI(久浪智醫)、ANTHROPIC、APMIC(亞太智能)、Arm(安謀)、Armis、ASRock Rack(永擎電子)、Astera Labs、ASUS(華碩)、AURAS(雙鴻科技)、AUTOBRAINS、AVerMedia(圓剛科技)、AWS(亞馬遜雲)、Ayar Labs、愛吠的狗、Beyond AI、Bhashini、BizLink(貿聯集團)、Black Forest Labs、BYD(比亞迪汽車)

第3排:ByteDance(字節跳動)、CADASU(巴涼科技)、Cadence(益華電腦)、Canonical(科能)、Carnegie Mellon University(卡內基美隆大學)、國泰金控、Centific(昇迪凡科)、長庚醫院、Check Point、CHENBRO(勤誠興業)、中國文化大學、中原大學、Cisco(思科)、CLEVO(藍天電腦)、Cloudflare、Cloudian、Codetrace、COMPAL(仁寶電腦)、Cooler Master(酷碼科技)、CoreWeave、CrowdStrike、Crusoe

第4排:Danfoss(丹佛斯)、Dassault Systèmes(達梭系統))、DCAI、DDN、Deel、deeli(永恆突觸)、DeepHow(深知行科技)、DeepRad.AI(神瑞人工智慧)、Dell Technologies(戴爾科技)、Delta(台達電子)、DIDEN ROBOTICS、玉山銀行、EDOM(益登科技)、Emerald AI、EQTY Lab、EQTY Lab、ETH Zürich(蘇黎世聯邦理工學院)、EverFocus(慧友電子)、Everpure、F5、逢甲大學、Figure、FindingsTech(汎定科技)、Firmus、Flex(偉創力)、Flexcompute

第5排:Fortinet、Fortune AI Technologies(富據智能科技)、Foxconn(鴻海)、Foxlink(正崴精密)、FSP(全漢企業)、Fujitsu(Fujitsu)、FutureNest(未來巢科技)、G2C+(志聖工業/均豪精密/均華精密/東捷科技)、Gartner(顧能)、Giga Computing(技鋼科技)、GIGABYTE(技嘉科技)、GMI(聯通科技)、Goldman Sachs(高盛)、Google Cloud、Greneta、GUC(創意電子)、Harvard University(哈佛大學)、Hesai(禾賽科技)、Hitachi Vantara、Holon Robotics、HP(惠普)、HPE(慧與科技)

第6排:HUMAIN、HYDRA、Hyve Solutions(海峰電腦)、義守大學、IBM、INNO3D(映眾多媒體)、Intel(英特爾)、Inventec(英業達)、InWin(迎廣科技)、IREN、J-MEX(晶翔機電j)、Jabil(捷普)、Jentech(健策精密)、JPC connectivity(佳必琪)、高雄醫學大學、KENMEC(廣運機械工程)、KYEC(京元電子)、lablup、Lambda Labs、Lanner(立端科技)、Leadtek(麗臺科技)

第7排:Lenovo(聯想)、Lightricks、Linker Vision(鑫蘊林科)、LITEON(光寶科技)、Lightmatter、LTX Studio、LUCID、Luminary、馬偕紀念醫院、Macnica(茂綸)、Manli(萬利達科技)、Marvell(邁威爾科技)、MAXSUN(銘瑄)、MediaTek(聯發科技)、Meta、MetAI(宇見智能科技)、Micron(美光)、Microsoft(微軟)、銘傳大學、MinIO、衛生福利部

第8排:Mirantis、MIT CSAIL、MiTAC(神通資科)、Mitsubishi Motors(三菱汽車)、數位發展部、Morale AI(摩絡人工智慧)、MSI(微星科技)、N.Light、Nasdaq(那斯達克)、國家高速網路與計算中心、國立中央大學、國立成功大學、國立政治大學、國立宜蘭大學、國立臺北大學、國立臺北科技大學、國立臺灣大學、國立臺灣科技大學、國立清華大學

第9排:NAVER Cloud、NEBIUS、NEOUSYS Technology(宸曜科技)、NetApp(網絡器械公司)、Neural Concept、NEXCOM(新漢股份有限公司)、Nexuni(耐思尼)、Noble Machines、NSCALE、nTop、台大醫院、NunoX(聯覺科技)、Nutanix(路坦力)、nVent、NYB.AI、OpenNebula、OpenAI、Oracle(甲骨文公司)、P-1 AI、Palantir(帕蘭泰爾)、Palo Alto Networks、Pegatron(和碩)、Physics X、PNY(必恩威科技)

第10排:Prime Intellect、PTC、QCT(雲達科技)、Qualcomm(高通)、Quanta(廣達電腦)、RAFAY、REAS(睿思智慧)、Red Hat(紅帽公司)、Redpanda Data、Red Pill Lab、Repurgenesis(源華智醫)、Rittal(威圖)、RLWRLD、Roboflow、Runway、Ryoyo Ryosan、Samsung(三星)、SAP(思愛普)、Sarvam、SB C&S、Schneider Electric(施耐德電機)、ServiceNow、Sharpa、(圖像不清無法辨識)

第11排:Siemens(西門子公司)、Silicon Valley Power、SimpliSmart、SK hynix(SK海力士)、SK telecom(SK電訊)、Skild AI、Solomon(所羅門)、東吳大學、Spectro Cloud、BPIL(矽品精密)、Spingence(偲倢科技)、SqueezeBits、Stanford University(史丹佛大學)、Starburst、敦陽科技、Superb AI、Supermicro(美超微電腦)、SynaXG、Synera、Synopsys(新思科技)台中榮民總醫院、台北生技園區

第12排:台北榮民總醫院、淡江大學、Telit Cinterion(泰利特)、TEMC(台灣專家模型公司)、TM(達明機器人)、Together AI、TREND(趨勢科技)、TrendAI、Tricuss(十論科技)、TSMC(台積電)、東海大學、Uber、Unitree(宇樹科技)、Universal Robots(優傲)、(圖像不清無法辨識)、VAIDIO(鐵雲科技)、VAST、vCluster、Vecow(超恩)、Vertiv(維諦)、VinDynamics、VinFast

第13排:VIRPHYSIO(維理生醫科技)、Fruit Lady(阿婆水果攤)、Visionbay.ai(亞灣超算)、Vultr、王記府城肉粽、WEKA、文藻外語大學、Wistron(緯創)、Wiwynn(緯穎)、World Wide Technology、花娘小館、xAI、Xiaomi(小米)、Yo-Kai Express、Yotta、YTL AI Labs、YUAN(聰泰科技)、元智大學、富霸王豬腳極品餐廳、ZERONE(零壹科技)、ZOTAC、Zscaler、磚窯古早味懷舊餐廳



2026年2月24日 星期二

2026 02 25 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 L113機器學習概念 L11301 機器學習基本原理 L114鑑別式Al vs 生成式AI  什麼是機器學習?機器學習常見問題 機器學習 (Machine learning, ML) 是人工智慧的一個子領域 機器學習最常見的四種類型是 監督式學習、非監督式學習、半監督式學習和強化學習熱門的機器學習演算法包括 神經網絡、決策樹、叢集和隨機森林。 在商業領域中,機器學習的常見應用包括 物物件別與分類、異常偵測、文件處理和預測分析。

 

什麼是機器學習?

Michael Chen | 內容策略師 | 2024 年 11 月 25 日

機器學習常見問題

人工智慧與機器學習有何不同?

人工智慧 (AI) 

是指一個廣泛的運算領域,專注於構建和完善  像人類思考的系統;

機器學習 (ML)(Machine Learning):

則是這一領域的子集,專注於學習過程中的運算方面。

這兩個術語常常互換使用,也面臨類似的挑戰,

但儘管如此,它們仍然是獨立的領域。

機器學習的四大主要類型是什麼?

機器學習的四種類型如下:

  • 監督式學習。
  • 監督式學習     使用標註過的資料集來訓練演算法,指向特定的目標。
  • 非監督式學習。
  • 非監督式學習 使用未標註的資料集,讓演算法有空間探索並識別模式。
  • 半監督式學習。
  • 半監督式學習先使用標註過的資料集進行初步訓練,建立專案的大致範圍。
  • 接著,演算法利用這些訓練來評估未標註的樣本,看看是否能以高概率為其標
  • 註。這個過程可以反覆進行,每次迭代標註的樣本集會變大。
  • 強化學習。
  • 強化學習與非監督式學習類似,也使用未標註的資料集。

  • 但不同的是,強化學習專注於通過正面、負面和中立的反饋

  • 來學習達成特定目標的最佳路徑,而非單純尋找模式。

學習機器學習難嗎?

像任何技術領域一樣,學習機器學習的所有内容是一個需要時間與投入的反覆過程。

學習機器學習的一個良好起點是掌握程式語言基礎,如 Python 或 R,同時也要掌握

統計學概念。

評估機器學習結果的許多元素需要瞭解統計學的基本概念,

如迴歸、分類、擬合和參數等。


機器學習的範例是什麼?

常見的機器學習範例包括推薦引擎。


在電子商務中,這表現為「您可能也喜歡...」的產品推薦。


在視訊串流平台中,則顯示為推薦觀看的內容。


在這些情況下,演算法會根據使用者的歷史記錄來預測使用者可能感興趣的內容,


且隨著使用者提供更多資料,演算法能不斷優化預測。


近年來,機器學習已成為家喻戶曉的術語,

從科幻概念發展為驅動企業和組織處理資訊的關鍵技術。

隨著資料創建速度持續呈指數級增長,

機器學習工具 對於希望   發現模式、梳理趨勢和規劃最具獲利能力的發展路徑

的組織至關重要。

機器學習有多普及?


如果您曾點擊過電子商務網站或串流平台的推薦、收到信用卡可能被濫用的通知,


或使用過轉錄軟體,您就已經受益於機器學習。


機器學習被廣泛應用於金融、醫療、行銷、零售及許多其他領域,


用來從資料中提取有價值的洞見並自動化流程。

什麼是機器學習?

機器學習 (Machine learning, ML) 是人工智慧的一個子領域,專注於建立隨著資料

的增加而學習與進步的系統。人工智慧是一個更廣泛的術語,指能模擬人類智慧的

系統及機器。機器學習和 AI 經常一起討論,而且有時這兩個詞能通用,

但它們並不指稱相同的事物。

簡而言之,所有的機器學習都是人工智慧,但並非所有的人工智慧都是機器學習。

重點精華

  • 機器學習是人工智慧的一個子領域。

  • 機器學習最常見的四種類型是
  • 監督式學習、非監督式學習、半監督式學習和強化學習。

  • 熱門的機器學習演算法包括
  • 神經網絡、決策樹、叢集和隨機森林。

  • 在商業領域中,機器學習的常見應用包括

  • 物物件別與分類、異常偵測、文件處理和預測分析。

機器學習詳解

機器學習是一種技術,透過搜尋大量資料集來發現資料中以前未知的關聯,從而發現超越簡單統計分析的模式和趨勢。機器學習使用先進的演算法來識別資料中的模式,並建立模型。這些模型可以用來進行預測和資料分類。

請注意,演算法與模型不同。演算法是一組解決特定問題或執行某項任務的規則和步驟,而模型則是將演算法應用於資料集後的輸出或結果。

訓練前,您擁有的是演算法;訓練後,您擁有的是模型。

舉例來說,機器學習在醫療領域的應用非常廣泛,包括

醫學影像分析、預測分析和疾病診斷。

機器學習模型非常適合分析醫學影像,

如 MRI 掃描、X 光片和CT 掃描,以識別模式並偵測可能無法用肉眼察覺的異常,

或是那些過勞的診斷人員可能會錯過的情況。

機器學習系統也能分析症狀、基因資訊和其他病人資料,

以建議進一步檢測癌症、糖尿病和心臟病等疾病。

機器學習的主要功能包括:

  • 自動發現模式
  • 預測可能的結果
  • 產生可執行的資訊
  • 能夠分析大量資料

機器學習類型

機器學習有四種主要類型,每種方法各有優勢與局限,因此選擇適合當前任務的方式非常重要。

  • 監督式機器學習是最常見的類型。
  • 在這種方法中,已標註的資料會教導演算法應該得出什麼結論。
  • 就像孩子透過背誦圖畫書來學習辨識水果,監督式學習的演算法使用已標註的
  • 資料集進行訓練。
  • 例如,垃圾電子郵件篩選器就是一個監督式機器學習的範例,
  • 演算法使用已標註的資料集進行訓練,其中每封電子郵件會被標註為垃圾郵件
  • 或非垃圾郵件。模型從這些標註過的範例中學習,然後根據識別的模式,
  • 預測新的電子郵件是否可能是垃圾郵件。監督式學習需要人類專家透過標註資料
  • 來提供正確答案,協助演算法學習並在未來做出準確的預測。

    請注意,這裡的目標不是使用原始資料進行訓練。您需要模擬系統在現實世界中
  • 會遇到的情況 — 有些垃圾郵件容易辨識,但有些則隱蔽或模糊不清。

  • 過於乾淨的資料會導致過度擬合,這意味著模型只會識別其他乾淨的範例。

  • 非監督式機器學習
  • 則採用更為獨立的方法,在這種方法中,電腦不依賴於事先標註
  • 的資料,而是學習識別複雜的過程和模式。非監督式機器學習不僅涉及基於未標註
  • 資料的訓練,還沒有特定的定義輸出,例如是否某封電子郵件是垃圾郵件。

    非監督式機器學習
  • 通常能發現相似資料的群組,並建立叢集。訓練完成後,
  • 模型可以識別相似的模式並將資料歸類到適當的群組中。
  • 非監督式機器學習的常見應用是推薦引擎,這在消費者應用程式中用於提供
  • 「購買此商品的人也買了……」的建議。當發現不相似的模式時,
  • 演算法能夠識別異常,這在欺詐檢測中非常有用。

  • 半監督式機器學習
  • 可解決資料標註不足以完全訓練模型的問題。
  • 例如,您可能擁有大量的訓練資料集,但不希望花費時間和成本標註整個資料集。
  • 透過結合監督式和非監督式方法,通常可以實現完全訓練的模型。

  • 訓練過程開始時像監督式學習,利用標註資料來獲得初步結果並建立演算法的
  • 指導方針。
  • 當標註資料耗盡時,半訓練模型會接受未標註的資料集。

  • 它利用已有的訓練,並檢視未標註的資料,目標是為資料集添加標註。

  • 如果模型能以較高的確定性為某個範例找到適當的標註,該範例就會被加入
  • 到標註資料中。學習過程再次開始,但這時資料集的標註範例更多。

  • 透過反覆的迭代,更多的範例會被標註為所謂的偽標註,並且可以進一步
  • 調整模型。

    強化機器學習

  •  像非監督式學習一樣,使用未標註的資料集並讓演算法對資料

  •  進行評估。然而,強化學習的不同之處在於,它朝著既定目標前進,

  •  而不是探索資料  來發現可能存在的模式。有了明確的目標後,

  • 演算法會進行試錯過程。每一步都會收到正面、負面或中立的回饋,

  • 演算法利用這些回饋來改善其整體決策過程。

  • 強化學習演算法可以在宏觀層面上朝著專案目標邁進,

  • 即使這意味著需要承受短期的負面後果。

  • 因此,強化學習比其他方法能夠處理更複雜、更動態的情況,

  • 因為它讓專案目標影響決策的風險。教導電腦下棋就是一個很好的例子。

  • 總體目標是贏得棋局,但這可能需要在過程中犧牲棋子。

哪一種方法最適合您的需求?


選擇監督式方法或其他三種方法通常取決於資料


的結構與規模、可用的預算與訓練時間,以及您希望應用最終模型的使用情境。


建議將襯衫與裙子搭配,這可能無關緊要;但如果未發現腫瘤,那就大不相同了。

機器學習如何運作

機器學習正如其名,透過建立基於電腦的統計模型,藉由評估訓練資料來針對特定

目的進行優化,而非採用傳統方法,由程式設計師開發靜態演算法來解決問題。

機器學習模型處理資料集後,會根據準確度來評估結果,

讓資料科學家透過一系列預設變數 (稱為超參數) 和演算法調整變數(稱為學習參數) 

來調整模型。

由於演算法會在評估訓練資料時進行調整,處理新資料的過程讓演算法能夠變得

更加精確。演算法是專案中的計算部分,而「模型」則是經過訓練後,

可以應用於實際案例的演算法。

機器學習專案的範圍、資源和目標將決定最適合的執行路徑,

但大多數專案都涉及一系列的步驟。


1.收集和編譯資料

訓練機器學習模型需要大量高品質的資料。找到這些資料有時會很困難,

若需要標註資料,則可能會非常消耗資源。確定潛在的資料來源後,

需評估其整體品質並與專案現有的資料整合/儲存資源進行對比,

這些來源構成機器學習專案的訓練基礎。


2.選擇適合的演算法來產生所需的模型

根據專案是否計畫使用監督式、非監督式或半監督式學習,

資料科學家可以選擇合適的演算法。

例如,對於簡單的專案,若資料集已標註,可以使用決策樹;

            而聚類分析 (將資料樣本分組為相似物件) 

            則需要更多的運算資源,因為演算法在非監督模式下運行,

             必須找出達成目標的最佳路徑。


3.調整和準備資料以進行分析

傳入的資料通常無法直接使用。

資料準備包括

清理資料集,確保在訓練過程中能夠輕鬆擷取所有記錄。

準備工作包括

一系列的轉換任務,例如建立日期和時間格式、根據需要合併或分開欄位,

以及設定其他格式參數,例如實數資料中可接受的有效數字。

其他關鍵任務包括  清理重複紀錄  (亦稱為刪除重複資料),

以及   識別並可能移除異常值。


4.透過訓練來教育模型

    選擇所需的最終模型後,訓練過程就會開始。在訓練過程中,

經過標註或未標註的精選資料集都會被輸入到演算法中。

在初期的運行中,結果可能不理想,但資料科學家會根據需要進行調整,

以改善效能並提高準確度。接著,演算法會再次接收資料,

通常會使用更多的資料來進行更精確的調整。演算法接觸到的資料越多,

最終模型在達成預期結果上就會越精準。


5.評估模型效能與準確性

當模型訓練到足夠的準確度後,就可以用先前未見過的資料來測試其表現。

通常,測試所用的資料是從訓練資料中分出的一部分,會在初步訓練後使用。


6.微調並增強模型參數

此時,模型應該已經接近可以投入使用。使用測試資料集運行應該能產生非常

準確的結果。

透過使用特定資料 (通常是公司營運所特有的資料) 進行額外訓練來進一步增強,

以補充原始培訓中使用的通用資料。


7.啟動模型

當結果達到最佳狀態後,模型就準備好在正常生產環境中處理先前未見過的資料。

當模型上線後,專案團隊會收集有關模型在現實情境中表現的資料,

這可以透過監控關鍵績效指標來進行,例如準確度 (模型預測的整體正確性) 和

召回率 (正確預測的正面觀察比率)。

同時,也要考慮模型的預測如何影響業務結果。

例如,它是否在提高銷售或改善診斷方面創造價值?

定期審核與檢討模型的表現,有助於識別部署後可能出現的問題或偏差,

這對確保模型有效運作並達成預期目標至關重要。



機器學習如何運作

機器學習演算法

演算法是機器學習專案中的計算部分。演算法經過訓練後會生成模型,

並以統計概率來回答問題或達成目標。

這個目標可能是識別影像中的某些特徵,

例如「找出所有的貓」,或者是發現資料中的異常,這些異常可能表示詐騙、

垃圾郵件或機器故障問題。還有一些演算法可能試圖進行預測,

例如根據目前購物車中的商品,推測買家可能會喜歡哪些衣物。

以下是機器學習中最常用的演算法:

  • 神經網路:
  • 人類大腦透過創建節點網路來運作,這些節點執行多種功能,
  • 包括處理來自眼睛的影像、儲存記憶和控制肌肉。

  • 基於電腦的神經網路模仿大腦結構,創建了多層節點,
  • 這些節點會根據所分析過的資料和鄰近節點的資料來權衡之間的關聯。
  • 這些節點作為一個網絡,能夠識別資料的特徵,例如圖像中的元素。

  • 線性迴歸:
  • 線性迴歸演算法採用資料點並為最能支持預測結果的線建立數學方程式,
  • 這有時被稱為「最佳擬合線」。

  • 線性迴歸透過調整方程式中的變數,將預測誤差降到最低。
  • 在兒科護理中,
  • 線性迴歸的其中一個例子是根據歷史資料,使用不同的資料點來預測孩子的身高和體重。
  • 類似地,BMI (體重指數) 也是線性迴歸的一種,試圖將身高和體重與總體體脂肪進行關聯。

  • 由於演算法使用的是簡單的直線進行預測,誤差率可能較高。
  • 例如,BMI 為 30 通常代表肥胖,這對一般大眾來說是正確的,
  • 但對於像美式足球聯盟 (NFL) 線衛等力量型運動員來說,這不一定適用。

  • 邏輯迴歸:
  • 邏輯迴歸最適用於二元結果,類似於線性迴歸,但對於可能的資料範圍
  • 邊界有特殊考量。

  • 邏輯迴歸的例子
  • 包括對潛在顧客轉化為付費顧客的可能性進行通過/不通過的分析。
  • 輯迴歸經常用於醫療診斷,
  • 例如將某一範圍內的血漿葡萄糖濃度用作糖尿病的重要指標。
  • 邏輯迴歸也可以用來預測電子郵件是否為垃圾郵件,或信用卡交易是否為詐騙。

  • 叢集:
  • 叢集是一種非監督式學習,會對未標注的資料集顯示演算法,
  • 其中的資料可能會劃分為不同的群組或集群。

  • 在評估訓練資料的過程中,
  • 演算法會尋找資料之間的模式和重疊細節,並進行分門別類。

  • 例如,
  • 假設演算法正在分析各種水果的營養價值,它可能會發現柑橘類水果
  • 屬於一類,漿果類水果屬於另一類,而瓜果類屬於第三類;
  • 這樣就可以更清楚地瞭解每個類別的獨特之處。
  • 叢集功能特別適用於任何分類專案,例如市場細分。

  • 決策樹:
  • 決策樹使用監督式學習和基本的「如果…那麼」邏輯來進行預測。
  • 根據專案的複雜度,決策樹是一種只需較少資源的演算法,能提供直觀的結果,
  • 堪稱理想的選擇。
  • 例如,如果一所大學想決定哪些學生可以免修大一英文,
  • 可能會使用一個決策樹,首先詢問學生是否在高中修過四年英文,
  • 如果是,接著詢問學生在這些課程中的 GPA 是否至少為 3.6。
  • 另一個方法可能僅僅詢問學生在 SAT 的閱讀、寫作和語言部分是否得分超過
  • 某個門檻。

  • 隨機森林:

  • 當單獨使用時,由於決策樹依賴於嚴格的工作流程,

  • 並要求回答所有的評估問題,因此有其固有的局限性。

  • 在上面的決策樹例子中,該大學可能會要求要符合兩個條件,

  • 儘管只要符合其中一個條件可能就足夠了。

  • 還可能有其他因素需要考慮,例如學生在入學申請論文中的表現。

  • 如果三個條件都需要滿足,那麼該大學就會面臨「過度擬合」的問題。

  • 那些在所有三個標準上表現良好的學生,極有可能不需要修英文 101 這門課;

  • 然而,其他也符合要求的學生仍然會被要求修這門課。

  • 隨機森林將多個決策樹集合在一起,透過累積的結果來呈現更全面的視角。

  • 使用隨機森林時,專案可以繼續使用決策樹的核心機制,

  • 同時考慮相關資料點之間的細微關係。

  • 因此,該大學可能會將這三個標準

  • 分開成不同的決策樹,然後使用權重來決定誰可以免修英文 101 課,

  • 可能會發現高中英文成績最具預測性,而論文表現則最不具預測性。

神經網路之外

機器學習使用了各式各樣的演算法。除了上述討論的熱門演算法,

以下是五個較少見但仍然有用的演算法。

梯度提升法 (Gradient boosting)依序建立模型,重點在於修正先前的錯誤,對於詐騙與垃圾郵件偵測特別有效。
K近鄰法 (K-nearest neighbors, KNN)簡單但高效的模型,根據訓練資料中最接近的標籤對資料點進行分類。
主成分分析 (Principal component analysis, PCA)透過識別最重要的特徵來降低資料的維度,對於資料可視化和壓縮 (例如異常偵測) 非常有用。
Q學習 (Q-learning)透過代理反覆試驗,對正確行為給予獎勵,對錯誤行為給予懲罰。
支援向量機 (Support vector machines, SVM)創建超平面來有效地將屬於不同類別的資料點區分開,常用於圖像分類等應用。

機器學習的優勢

機器學習讓企業能夠從資料中提取洞察,這些是透過其他方式可能無法發現的。

將機器學習整合至流程中所帶來的主要優勢如下:


  • 簡化決策和預測分析:
  • 資料導向的決策始於資料分析。這是顯而易見的事實,
  • 但當手動分析時,過程既耗時又需大量資源,並且可能無法提供足夠豐富的
  • 洞察來證明成本的合理性。
  • 機器學習可以快速檢索大量資料,識別趨勢和模式,
  • 讓使用者能專注於查詢和可執行的結果,而不是改善手動處理資料的方法。
  • 根據分析工具,機器學習能生成預測並發現資料中難以察覺的洞察,
  • 從而實現更深層次的分析,並為企業創造更多價值。

  • 提升效率和自動化任務:
  • 機器學習是許多技術的核心,有助員工提高效率。
  • 許多低認知度、重複的任務 (包括拼寫檢查、文件數位化與分類) 
  • 如今都可以由電腦完成,這都歸功於機器學習。

    機器學習還擅長於進行快速且即時的資料分析,這是人類難以做到的。
  • 這筆交易是詐騙嗎?那封電子郵件是釣魚詐騙嗎?
  • 機器學習系統通常能在幾秒鐘內準確做出判斷,並自動採取適當的行動。
  • 結合機器學習技術後,企業能夠利用資料進行預測,
  • 並獲得影響預測結果的因素說明,從而協助高層決策者規劃企業最佳發展路徑。

  • 服務個人化與創新:
  • 機器學習為客戶體驗開啟了新大門,尤其是在個人化方面。
  • 企業可利用購買歷史記錄、瀏覽記錄、人口統計資料及其他資訊來建立每個客戶
  • 的個人資料,並進行交叉比對,以預測客戶的興趣。
  • 這樣一來,推薦引擎、自动生成折扣及其他個人化互動成為可能,
  • 促進客戶持續回流。

    在此語境下使用的術語:決策樹有助於對客戶進行分類。
  • 比如,一位客戶喜歡復古二手時尚,而另一位則偏好前衛設計師服飾。
  • 將客戶進行相似群組的聚類,有助於識別他們可能點擊的產品,
  • 或是他們是否對促銷活動有興趣。
  • 機器學習可根據客戶所屬的群組預測最適合的優惠。

機器學習的挑戰

機器學習專案的成效,取決於其所建立的系統與資源。

因此,這強調了在適當規劃與準備方面進行投資的必要性。

以下是機器學習專案中常見的挑戰:

  • 資料品質:「垃圾進,垃圾出」這句話同樣適用於機器學習 — 
  • 無論是在訓練階段或是生產環境中,資料品質都非常重要。
  • 高品質的資料能夠提供更準確、有效率的結果;
  • 低品質的資料則可能導致模型產生不準確或扭曲的結果。
  • 值得注意的是,「品質」對不同專案的定義可能不同。
  • 以訓練圖像辨識系統為例,資料應該能代表模型在現實世界中所見的情境。
  • 這包括陰影中的物體、略微模糊的圖像,以及沒有正對鏡頭的情況。
  • 對於訓練來說,資料越接近系統在實際應用中所見的情形,效果越好。

    因此,企業應該對資料來源進行審查,將資料集轉換為一致且兼容的格式,
  • 執行清理與去除重複程序,為使用者提供有關流程與規範的訓練,
  • 同時整合工具來評估資料的品質與適用性。

  • 偏差:
  • 資料可能很乾淨,但是否沒有偏差?舉個明顯的例子,
  • 假設你想訓練一個機器學習系統來檢測圖片中的狗,
  • 並且你擁有只有拉布拉多和貴賓犬的強大資料集。訓練完成後,
  • 此模型在識別這些狗時表現得很好,可以說它對這些狗有偏見。
  • 但當它看到一張鬥牛犬的照片時,此模型卻說找不到狗。
  • 這是當然的,因為此模型並未針對這類狗進行訓練。

    建立正確的訓練訓練集是建立能夠達到預期效果的機器學習工具中
  • 最具挑戰性且成本最高的部分之一。某些類型訓練的稀缺,
  • 經常會產生意想不到的偏見。

  • 例如,藏獒是一個稀有品種,看起來像是橙棕色的紐芬蘭犬。
  • 因此,如果藏獒的訓練樣本不足,
  • 機器學習模型將其誤認為紐芬蘭犬也不足為奇。

  • 資料安全:
  • 儘管機器學習有許多優勢,但它也可能帶來一系列安全問題。
  • 機器學習分析所用的資料可能包含不應被公開的敏感或專有資訊。
  • 同樣,資料也可能成為網絡攻擊的目標,目的是篡改模型並將錯誤資訊注入
  • 結果中。資料準備過程可能會揭示並解決安全漏洞,尤其是當資料集
  • 在系統間進行匯出或匯入處理時。
  • 為了減少安全問題,
  • 企業必須採取一系列安全政策、流程和控制措施,包括實用的員工培訓。

  • 資料隱私權:
  • 確保敏感資料不被洩露是一項持續的工作。資料匿名化是
  • 一種新的做法,但並非總是可行,也并非完全足夠。
  • 例如,假設某公司希望提供一項服務,讓其商業客戶能根據公司收集的資料,
  • 瞭解更多有關最終消費者的資訊。這類資訊需要受到保護,
  • 並且在法律要求下進行使用,企業也需要仔細考量可能透過
  • 機器學習系統試圖破壞資料的新威脅來源。

機器學習使用案例

機器學習可以為幾乎所有產業及企業內的各個部門帶來顯著的效益。

只要有資料,機器學習便能提供提升效率及打造新互動的方式。

各行各業中常見的機器學習應用範例包括:

  • 零售業:
  • 對零售商來說,機器學習有助改善營運和銷售等方面。
  • 在營運層面,機器學習可以分析供應鏈資料,協助優化庫存管理,
  • 並提前識別可能的延遲。為了提升銷售,機器學習可以檢視顧客的
  • 搜尋與瀏覽歷史記錄,以及人口統計資料,建立客戶檔案,作為後續互動的基礎。
  • 串流媒體:
  • 就像零售商一樣,音訊與視訊串流服務商也可以根據使用者的
  • 互動與瀏覽歷史記錄以及人口統計資料來建立客戶檔案。
  • 這些檔案有助於驅動推薦引擎,協助發現新內容,並促進進一步的互動。
  • 金融:
  • 機器學習在金融業中最強大且簡單的應用之一便是詐騙偵測。
  • 透過機器學習,演算法可以識別一般的帳戶行為,並開始標註異常行為,
  • 進行潛在的詐騙調查。
  • 醫療:
  • 對於醫療業,幾乎在每個營運層面都適合運用機器學習。
  • 透過電子病歷中的病患檔案,可以根據相似人口統計資料進行比較,
  • 以提前識別可能出現的問題。來自物聯網裝置 (例如智慧型藥物分配器) 
  • 的資料能快速標註錯誤;
  • 病人流量或醫院床位使用情況等營運資料則能協助調整人員配置。