 |
| 寶太太與Andrew大神的最近距離 |
以下這篇是個小迷妹的記實。還記得吳恩達教授 (Andrew Ng) 19年八月來台分享的座無虛席畫面嗎？今年雖然因為全球疫情的關係無法來台，在台杉AI論壇中Andrew以一樣精闢的分享在線上與所有關心AI發展的朋友們聊聊他對於台灣與AI發展的未來。
 |
| 2019 @台大AI中心 吳恩達分享 |
 |
| 2030 AI產值@ 2020台杉AI論壇 |
「Don't win alone, win as a team!」
而Andrew所提到的team，並不是指自己公司的團隊，更是生態系Ecosystem；而台灣如何成立AI生態系，加速AI落地應用並與國際連結，這更是他關心的話題；他在演講中以ML code (機器學習工程碼)說明，目前百分之八十到八十五的公司AI專案目前都只在概念驗證階段 (PoC -Proof of Concept)，而真正要讓PoC走向可以生產/應用，仍需要解決其他相關的問題，搭配其他的解決方案，才能確實讓AI落地，不落於空談。
三個方法銜接PoC到生產的落差 Briding the PoC to Production gap
1. Small Data: Moving Beyond Big Data
對於無法收集到大量資料的傳統產業，可以思考利用現有技術以少量資料產生更多資料或是採用演算法是少量資料也可以訓練的，如GANs、Transfor Learning、Few Shot Learning、Anomaly Detection等技術。
2. Generalizability and Robustness of AI systems
人工智能系統的通用性與穩健度，對於要能落地應用在真實場域中相當關鍵，因此如何將與論文/研究中使用的資料模型調整成真實資料也會work的模型，這個需要經驗與持續的實驗！
3. Change Management: Appropriately manage the change that technology brings
吳恩達教授以病人最後階段的安寧治療舉例，醫生一般不太會放棄病人，轉診到安寧病房，原因你我都知道，醫生當然還是希望可以救活病人阿！但假如用機器學習模型推測會於3~12個月內過世的病人，那麼末期的病人更可能享有更好的臨終照護品質，把握剩餘的時間。而這就跟第二點息息相關，假如要讓病人或家屬相信安寧治療是更好的選項，更需要人工智能的穩定與可信，才能做好適當管理科技所帶來的改變。
之前提到過的生態圈，陳良基於對談時也建議，企業必須「換個腦袋」重新看待AI價值，想辦法把AI相關新創或服務整合到供應鏈中；特別是AI時代產業更需要整合，台灣在關鍵零組件很強，但缺點是整合比較弱，可能就被整合成蘋果、三星的供應鏈。因此建議企業可透過設立公司創投（VC），透過投資、拉夥伴結盟，不只在原有技術深耕，也能進一步提供完整解決方案，發揮價值。
 |
| Taiwan's AI Ecosystem (H1, 2020) |
這個概念讓我想到AppWorks於日前於insider提出的台灣 AI 生態系地圖，除了各產業的AI新創(以李開復在2020世界人工智能雲端峰會的說法叫做 AI+)，更有孵化器、社群、法律服務、學習與研究機構、創投等等，而陳良基部長所提的「整合」，我想應該不只是AI本身生態圈的建立，更是如何讓台灣適合導入AI的傳統產業，可以因為科技的導入帶來更高的價值，結合台灣人才與資源而成的國家隊，讓世界看見我們能為全球提供的價值。
題外話，也就是李開復提到的+AI才更是對社會貢獻更大的方向，不論是用AI省錢、用AI簡單替代一個環節、用AI改造公司比較重要的流程或者是用AI重構整個行業。
總結，2020年吳恩達教授本次分享更著重於「落地應用」，相較於2019年產業對於AI的熟悉度尚未如此高時提到較多的是「如何開始AI專案」，包含題目的選擇、以AI來做轉型的步驟、該建立內部AI團隊還是買AI工具等等，想了解更多的可以上AI for Everyone的coursera課程，用四週的時間聽Andrew娓娓道來在AI領域中我們需要了解到的科技與商業考量，如AI的限制或可解釋性，還有一些基本的AI技術名詞跟應用等等。
身為小迷妹，雖然技術寫碼的我不行，但是商業類的當然是不能讓老師失望，音樂請放、證書請上。
以下為不破梗老師的收費課程，但又可以提供給大家一些乾貨的精華版說明：
AI跟數據息息相關，訓練演算法之前有滿滿的資料清理要做，資料清理又或許跟IT架構跟基礎建設有關，或許越深入、越會發現企業的問題（組織的做事習慣／各部門整合不易等等），也可能因此較難達成原本專案可以完成的目標，但不要灰心，因為數位轉型就是這門一回事！
試試找組織內有嚐鮮精神、不怕試錯、願意把手弄髒的人開始，用一兩個創新專案Kick off，由決策小組中的至少一位成員參與，累積點經驗後再來思考到底公司要轉型急需的是什麼？人才、顧問、設備、資源/資金、明確的策略方向或組織文化的調整？
👉先搞清楚why / why now，確認what，再來找how，排出when與where，同時與友好同業多交流，思考ecosystem 的建構；因為數位轉型的真正意義不只在導入或運用新興科技改變公司當前的經營模式，更是產生全新數位化的產品服務、營運流程及商業模式，而帶來的新商業機會的過程；其中企業是否有勇於創新的DNA尤其重要，反正「殺不死我們的，勢必使我們更強大。」
總結，2020年吳恩達教授本次分享更著重於「落地應用」，相較於2019年產業對於AI的熟悉度尚未如此高時提到較多的是「如何開始AI專案」，包含題目的選擇、以AI來做轉型的步驟、該建立內部AI團隊還是買AI工具等等，想了解更多的可以上AI for Everyone的coursera課程，用四週的時間聽Andrew娓娓道來在AI領域中我們需要了解到的科技與商業考量，如AI的限制或可解釋性，還有一些基本的AI技術名詞跟應用等等。
 |
| (AI for Everyone四週的課程大綱) |
How to choose an AI project? 如何選擇AI專案
- Start Small 從小規模專案開始 (以Andew在Google的經驗，他先語音辨識和地圖做出成效，逐步證明AI能提升產品的功能並且提高團隊的能力，再讓公司感受到AI帶來的商業效益從到能逐步信任 AI。最後才切入到Google最賺錢的核心業務-廣告；而且初期AI專案儘量選擇6–12個月可以實現的，不然之後應該沒戲唱。)
- Automate Tasks, not Jobs. AI 角色是協助完成任務，而不是取代工作。 (特別是針對一些重複型的流程，需要不只是能重複，且能夠判別或預測的，例如：不良品辨別、X光片判讀、讀大量法律判決、客服中心信件分類等等，如此可以讓AI以人機協作的方式出場，善用科技與人類各自的優勢。)
- Combine AI & Subject Matter Expertise. AI 跟領域知識的結合。(每個公司或產業都有其強項，若是能利用領域知識賦能AI，那麼就像現在各產業前面都加上個智慧一樣，智慧農業、智慧製造、智慧醫療...就是+AI)
AI跟數據息息相關，訓練演算法之前有滿滿的資料清理要做，資料清理又或許跟IT架構跟基礎建設有關，或許越深入、越會發現企業的問題（組織的做事習慣／各部門整合不易等等），也可能因此較難達成原本專案可以完成的目標，但不要灰心，因為數位轉型就是這門一回事！
試試找組織內有嚐鮮精神、不怕試錯、願意把手弄髒的人開始，用一兩個創新專案Kick off，由決策小組中的至少一位成員參與，累積點經驗後再來思考到底公司要轉型急需的是什麼？人才、顧問、設備、資源/資金、明確的策略方向或組織文化的調整？
👉先搞清楚why / why now，確認what，再來找how，排出when與where，同時與友好同業多交流，思考ecosystem 的建構；因為數位轉型的真正意義不只在導入或運用新興科技改變公司當前的經營模式，更是產生全新數位化的產品服務、營運流程及商業模式，而帶來的新商業機會的過程；其中企業是否有勇於創新的DNA尤其重要，反正「殺不死我們的，勢必使我們更強大。」
「我們所屬的產業不尊重傳統，只尊重創新。」─微軟執行長薩蒂亞．納德拉
沒有留言:
張貼留言