人工智慧與深度學習
深度學習是機器學習的其中一個分支，複雜的特徵擷取方式與端到端的使用是深度學習主要的優勢，CNN(Convolutional Neural Network)、RNN(Recurrent Neural Network)等都是常見的結合。深度學習常使用類神經進行特徵擷取並輸出分類。深度學習在處理非結構資料的問題上更為重要，原因在於結構過後的資料已經經由人類專家進行判斷處理了，深度學習在最優解空間已被限制的情況下並沒有辦法發揮到最大功效，更何況其他傳統的分類模型單純針對人類專家規劃的特徵已經可以得到良好的效果了。但是，當傳統分類法進行非結構的問題分類時，於分類前還需告知輸入特徵該怎麼處理，若直接讀取全部資訊進去分析可能會造成精準度表現不佳，此時將造成不便。深度學習的優勢就在於輸入端的源頭可以直接放還未處理的資料，不管為音訊、圖片、文字等，都能經由一個複雜的特徵擷取並進行分類運算後得到輸出的結果，而且這樣的學習能力比起以往的實驗有更多的突破，最直觀的就是Alpha Go這類圍棋解題系統以及後來不倚靠人類專家訓練資料的Alpha Go Zero。深度學習可以理解為一個複雜的函式，人們將輸入資料放入這個複雜的函式，經過計算得到一個預測結果，這個預測結果的可靠度需要倚靠訓練資料去調整，但是比較難以證明的是這個複雜函式之中如何去進行參數的調整，而萃取出來當作判斷依據的特徵是否真的有效，因此，這個複雜函式有用性依然是以實驗實證方式進行評估。深度學習方法試圖解決人類以往無法輕易解決的數學問題，雖然深度學習對於內部的收斂性還未進行嚴格的數學證明，但是實務工程上確實是有突破性的發展，成為人工智慧路上重要的里程碑。
2019年成立的社團法人台灣建築醫學學會(Taiwan Society of Architectural Medicine, TSAM)的服務平台，將催生與推展健康住宅新創產業的服務市場。筆者深信建築醫學與人工智慧技術整合，未來達到所謂的智慧生活(Smart Living)將不是夢想，目前熱門的人工智慧（AI）結合物聯網（IoT）的AIoT，也將實踐在建築醫學的領域上。