近年来，随着技术的进步，以及资本市场的关注，教育科技产品呈现井喷式爆发，许多学习过程得以数字化，数据搜集变得更加简单。
大数据（Big Data）爆炸成长成为机器学习的养分。机器学习能获得充分的训练数据（training data） 与计算效能。人工智能产业（Artificial Intelligence，AI）经过一甲子的起落，终于因技术条件到位，开始突飞猛进。但是，单纯掌握某种数据，不能实现功能上的联动和数据共享，这种信息孤岛现象会成为人工智能发挥的最大阻碍。
什么是机器学习？
机器学习（Machine Learning）是人工智能的子领域。而常听到的深度学习（Deep Learning）则是机器学习中的一支。
人工智能的范畴，涵盖了所有尝试以电脑去模仿人脑处理信息的能力。例如：以电路设计或算法来模仿人脑神经元网络的运作；以程序模拟彼此互连的知识概念，如 Google 搜寻引擎的核心——知识图谱（Knowledge Graph）；以及，让电脑能理解人类语言的自然语言处理技术（Natural Language Processing）等，都属于人工智能的范畴。模仿人脑思考能力的人工智能到目前为止，不算完全成功；倒是机器学习技术，因为上述原因，达到博闻强记，神速运算的效果，而异军突起。
机器学习大量使用统计的方法与推论，建立预测能力，让电脑或人类可以有效地即时采取行动。机器学习的核心，在于电脑能从收到的资料中学习，持续提升达成预设目标的能力（例如，专门推荐餐厅的应用），而不需依赖开发者不断下发指令。
今天，机器学习技术已经被广泛应用于各产业。以下是各种可能的能力，例如：购物网站根据使用者浏览行为与历史纪录，动态调整推荐商品；零售商店根据气候、季节、日期与地理位置等，计算各商品最佳定价；还有，人脸或
图片辨识、手写输入辨识、语音辨识、自动过滤垃圾邮件、自动侦测信用卡盗刷、帮医生判读资料等。机器学习早已被广泛用在我们生活中，甚至你可能曾与人工智能客服交手过而不知道。
最引人关注的代表性事件包括 AlphaGo 战胜世界围棋冠军、自动驾驶汽车上路、IBM Watson 用于开发智能语音助理等。
如果将机器学习用在学习上，又有哪些可能呢？台湾大学林轩田教授团队 2010 年赢得 KDD Cup 冠军，题目是根据 3000 名学生回答数学题的 900 万条记录，预测个别学生是否能答对特定题目。这是一个容易理解的例子，也是一个非常清楚定义的问题。
人工智能成为热门话题，一般人以此用语统称，并不清楚其中各领域本质上的差异。组织主管看到别人挥着这把“尚方宝剑”，媒体文章说着：下一个十年的绝胜点在于掌握如何善用人工智能，内心多少有焦虑，希望就像
电影里一样，一朝抢到尚方宝剑，就立于不败之地。教育培训科技产业人士对人工智能的期许，情形类似。
现今人工智能已逐渐像基础建设（例如：电力，水）一样可以接取使用，所以，许多人认为以上的期待并不遥远。没错，许多机器学习的计算能力已经透过程序接口（API）提供出来，例如：IBM 的 Watson、谷歌、微软、阿里云都有提供这类接口服务。
人工智能是尚方宝剑还是石中剑？
可惜现实世界是个复杂的系统，这不是 plug-and-play（即插即用）。
第一，如果你还没有明确定义的问题，人工智能对你是没用的。对这点事实，人类应该感到庆幸（不会被取代），
机器人只能解决我们定义好而且适当建模的问题。各种算法就像用在不同场景的各种单一功能工具，依靠人类对关注的系统建立模型后，选择适当工具用在适当的环节，并需要实际数据来训练模型，调校与优化参数。数据越多，人工智能表现越好。有时因为情境或使用者的基础不同，可能需重新训练模型。
第二，如果你没有 （1）正确结构化（2）乾净（3）足够的 -- 数据（Data），幻想接上人工智能就会有神奇的效果，那是不可能的。
不准确的数据只会带来误判，资料科学家都知道整理资料经常花掉 80% 的时间，结构化的资料是为分析而设计过的资料格式，节省清理与汇整资料的时间，也与模型对接。模型要准，需要越多资料越好，所谓“足够”的资料，根据你定义的问题范围大小而定。
自适应技术在美国已逐渐导入各学习系统，有些正式评量也被采用，但为何还会出现成效不彰的反面案例呢？像所有工程系统一样，这些系统设计上有许多因子与参数，因各自设定不同，应用时最好能视需求让使用者调整部分参数。但在实际应用过程中，并非都有这种选项，结果不同系统效能自然相异。国外在学习场景导入这种系统，是经过好几年与教师密切沟通合作，才得以成功。另外，其应用场景需将内容放进该系统，如果学习发生在系统之外，则系统拥有的资料不够，效能当然大打折扣。
何谓足够的资料（数据）？
学习的趋势持续走向分散化、多元化、去中心化，一个系统不可能完全掌握学习者的足够资料，这些发生在多元应用里的学习经验，需要像 Experience API（xAPI） 接取多重资料流，实时汇整，才能解决信息孤岛（Data Silos） 问题。
另一个"足够"的层面是行为数据采集的维度，例如：做练习题，只有记录答对或答错，机器学习可以推测的范围极为有限（巧妇难为无米之炊）；但是如果记录了答题花费的时间、尝试次数，那么机器可以知道这题对学习者是偏难或偏易，或他是不是猜对的，再据此推送适合该学生的题目（题目的难度标注或统计是另一个议题）；如果题目有按需给出提示，则做题者是否使用提示，揭露了不同意义；还有，如果知道答题前发生的相关学习行为，则给机器提供了更好的建议根据；如果机器模型累积了过去大量成功学习者的路径，与当事者的过去记录进行对比，则可以形成绝佳建议根据；最后，如果有记录答题是在课堂上，与同学合作，在搭公车时，或在家时间发生，这些维度的数据都可以被用到。
xAPI 正是这样的工具，让我们采集丰富维度的行为资料，依据分析需求来设计数据结构。只要是数字系统，都可埋入 xAPI 进行行为数据采集，并不限于学习应用。
xAPI 的创新之处在于建立了独立于应用之外的数据层，用统一语言打通应用之间的信息壁垒。这个标准数据层不但人可读懂，机器也可读懂，所以机器能够自行推理。xAPI基于语义网技术（Semantic Web Technology，也称Web 3.0） – 这是万维网之父 Tim Berners-Lee 为将来万物互联环境智能化的愿景所主张之关键技术，现在工业 4.0 也是基于这种语义技术。 未来，机器可以从群众与内容的互动历程（也是群众智慧），自动萃取语义网连结的内容、学习路径、相关的人推荐给适合的人，xAPI 以 Key-Value 型态携带的情境、结果、环境、时间点等数据都可放进算法中。
xAPI 结合机器学习的应用案例
从下举几个使用 xAPI 进行行为数据采集，结合机器学习的案例。虽然不是直接的学习案例，但原理完全可以用在学习训练上。
改进网页布局与行销体验
网站为提升转化率，研究使用情境受到重视，一般透过运维管理（DevOps）改进网站使用体验。但是，网站浏览者使用情境多元，增添变数，为不同装置而设计的单页式与响应式设计，增加了分析情境的复杂度。原来透过 Google Analytics 分析使用者体验，但无法有效分析。
借助 xAPI 跨装置的特性搜集行为，能够掌握使用者的隐性及显性行为，凭借自适化的语意网页架构，让内容与布局分开储存，后台分析结果进行自动化调整（网页长度、设计、文案），最短时间呈现吸引访客的内容。结果 bounce rate 与 exit rate 明显下降了约40%，新页面推播点击率由 8% 提升至34%，来电成交率由 33% 提升至 53% 。（台湾大学 iCAN Lab 提供）
以 xAPI 采集行为结合机器学习技术提升网上行销转化率（来自iCAN Lab）
建立有情境感知能力的健康护理移动应用
脊椎损伤病患使用移动应用辅助复健运动与日常护理，但为减少这些病人操作应用的次数，建立能感知情境的智能引擎，持续收集病人的历程资料以及相关情境资料（时间、地点、装置…），并结合护理师所设计的处方，适时推荐适合病人当下的活动或提醒，更好地协助病患。
根据分析模型对资料进行结构化，xAPI 可以收集任何数字资料，包括生理数据，与传感器数据，越多资料则推荐引擎智能越高。xAPI 的跨装置特性，提升结构化资料汇流的效率。这个推荐介面降低病人需要手动操作应用的次数，实时自动推荐最适的活动给病人。（台湾大学 iCAN Lab 提供）
信息孤岛（Data Silos）是人工智能发挥的最大阻碍
数据（Data）是现代的石油，所谓数据寡头就是那些拥有大量数据而掌握知识经济的力量。在教育或培训领域，信息孤岛（Data Silos）才是人工智能发挥其力量的最大阻碍。你在其它领域看到的人工智能应用，尚未实践在学习上，或使用成效不彰，是因为没有足够的数据。单一功能的人工智能，例如，广泛应用在客服与行销的聊天机器人，载入学科知识，当然可以用在教育上，但仅止于知识问答（例：乔治亚理工学院利用IBM Watson 建立虚拟助教，回答事先建立好的Q&A）；单一学科的自适应学习，尤以数学最成熟，但仍需控制学习完全发生在该应用内才有意义。
真正了解学习者的智能助理，那是完全另一个层次！学习场景多元化的今天，个人学习过程分散，机器要掌握足够数据才能建立智慧（较佳模型与推荐），整合打通多维度的行为数据，才可能建立无缝的智能化学习环境。没有数据策略，你还离人工智能很遥远。现在就从可行的范围做起。
