人工智慧也能搶演唱會門票？解密自動化搶票可行性
人工智慧自動化搶票是指利用人工智慧技術繞過售票網站安全機制、自動完成搶票流程的行為，在技術上可行，但涉及法律與道德爭議。其核心技術可分三個環節：第一，驗證碼破解需訓練卷積神經網路識別圖形驗證碼，若驗證碼長度不固定，則需結合遞歸神經網路建立混合模型，識別準確率高於人工。第二，藝人知識問答問題可透過大型語言模型配合檢索增強生成技術回答，或以電腦快速窮舉所有可能選項。第三，網路連線速度是搶票成敗最關鍵的因素，實務建議測試售票網站的連線延遲，選擇最低延遲的跳板伺服器，並直接呼叫應用程式介面而非使用瀏覽器自動化工具。綜合來看，只要事先建立好驗證碼解析模型，並對售票流程進行完整測試，自動化搶票在技術層面確實可行，但此類行為在多數地區屬於不當甚至違法的行為，可能面臨法律糾紛與民事責任。
最近使用人工智慧技術搶演唱會門票的新聞正夯，這次讓我們從技術的角度重新檢視一下“自動化搶票”的可行性，這個議題主要可以分成三個部分：
1. 驗證碼破解：
有些人或許會質疑，這不就是寫程式搶票，哪裡需要人工智慧技術呢？但實際上，驗證碼的破解需要訓練神經網路，而神經網路是人工智慧的核心。因此我們可以說使用人工智慧來搶票的說法是正確的。新聞中提到使用卷積神經網路 (Convolutional Neural Network, CNN) 來解決圖形驗證碼的好處很多，以前破解驗證碼需要處理雜訊點和跨越驗證碼的線條（例如高鐵的驗證碼）。然而，使用CNN技術，只需提供圖片和相對應的答案標籤，經過幾輪的訓練，就能建立一個能夠迅速破解驗證碼的模型，比人類更快更準確。
對於想深入了解模型原理的人，我們有一門線上課程，有興趣的可以參考一下(折扣碼：TC1470QU)：
https://www.tiandiren.tw/product/c1470
但CNN也有一個缺點，它只能識別固定長度的驗證碼。如果驗證碼的長度不固定，就需要將遞歸神經網路（Recurrent Neural Network, RNN）與CNN結合，建立CRNN 模型，CRNN神經網路能夠讓驗證碼識別模型變得更加通用（PyTorch RNN 教學）。而CRNN技術也常被用於光學字符辨識（OCR）等領域中。
對於想參考相關程式碼的人，可以直接查看以下的Pytorch程式碼範例：
https://github.com/ywchiu/cathaydl/blob/main/CNN/OCR_Pytorch.ipynb
2. 藝人問題填答：
這是一個相當困難的問題。雖然現在有ChatGPT等大型語言模型，可以透過Retrieval Augmented Generation (RAG) 回答簡單的單選題或複選題，但當遇到像售票網站標錯蔡依玲巡迴演出場次數量等烏龍時，似乎任何人工智慧都無解。這邊可以改以兩種可能性來重新思考這問題。一種是內神通外鬼，售票機構內部的人可能早就洩漏了答案給黃牛，然後通過拆帳的方式賺錢。另一種可能是，電腦可以快速嘗試所有可能的組合，所以有辦法在短時間內測試所有可能選項，這樣即使對該藝人一無所知，一樣可以搶得到票。
3. 網速：
我認為網速是自動化搶票最關鍵的因素。如果網速太慢，導致其他機器人搶走了門票，那麼一切努力都會落空。因此，在開始搶票之前，應該先測試售票網站的連線ping值，並找到延遲最低的跳板。此外，一般的搶票程式通常會直接使用GET和POST方法來訪問API，而不是會使用像Selenium等網頁自動化工具。所以儘管學習爬蟲時，Selenium相對容易上手，但實務上還是建議學習如何觀察API 的存取方式才是上選。早知道該怎麼觀察的，可以參考我們的基礎爬蟲教學。
結論
總之，只要事先建立好驗證碼解析模型，並先對其他不太熱門的演唱會場次進行多次測試，包括個人資料輸入、座位確認和付款等API存取方式，人工智慧實作自動化搶票機制的確可行。
最後，我想強調一點，常有人私訊請我們代寫搶票程式，不過搶票行為通常被認為是不當的，甚至可能會引來法律糾紛，因此我們都會婉拒此類請求。
另外，一些網站會警告我們不要教學如何爬取他們的網站，但實際上，我對貴公司的網站毫無興趣，所有有客戶付費請我們爬的網站都不會出現在教學頻道上
之後有機會再重新錄製一系列的爬蟲教學，對該主題有興趣的學員們，就敬請期待摟！