剛起飛的新零售強碰疫情，新常態下的企業轉型是極速升級或失速墜落？

開始讀這本書的機緣真的蠻有趣的，8月受邀主持一場AIOT協會的夏季研討會中遇到作者林希夢先生本人，他跟我推薦他寫的這本書，於是開始了我的新零售漫遊之旅。

還記得馬雲在2016年提出的「五新」戰略嗎？其中的一個新指的就是新零售，隔年三月，阿里研究院就正式發布了「新零售研究報告」，以系統化的方式說明阿里集團對於新零售的定義、思考框架與未來發展，其中最重要的一個觀念是「以消費者為中心」而產生或重構全新的零售業態。

零售業過去順序是貨、場、人，但在新零售之後，變成了人、貨、場，以客戶優先，而且因為高度運用數位化科技來滿足個人客戶需求，因此連小眾客戶也可以受重視，提供超出期望的服務。

而因為這些特性，因此新零售企業轉型升級要考慮的面向變得很廣泛，從企業核心價值定位、品牌定位與市場區隔選定、客戶體驗設計、數位化服務流程設計、供應鏈模型設計，到最後一哩服務體驗（物流模式設計）都需要思考，而這每個的專業都不同，因此可以想見光整合應該就需要花費不少時間與心力，還有組織與人才的培育上更需要著力，更何況數位化系統建置或收集數據，建立以數據驅動的營運文化；除了過去可能就有在做的供應鏈管理、數位化管理與行銷管理外，更是強調客戶體驗管理，從客戶會接觸到企業各種資訊的接觸點來設計，而這又牽涉到三種體驗：BX（Brand Experience 品牌體驗）、CX（Customer Experience 客戶體驗）、UX

如何成為未來領先的智能企業？在變化超速的時代，你需要贏在...

《智能商業模式》 天下雜誌出版

你有在1111購物節買過東西嗎？你知道11 月11 日是「光棍節」，但從2009 年開始就不再只是單身人士聚會慶祝的日子，而是網路購物節嗎？

一個天貓員工的idea把光棍節變成了彷彿是美國感恩節後黑色星期五Black Friday，甚至是大型LIVE演唱會的展演舞台。

在前幾年，大增的流量導致阿里巴巴的伺服器當機，銀行支付系統崩潰，全國物流延遲至近乎停擺。2012 年，暴增2 倍的交易量幾乎癱瘓整個系統，遞送包裹延遲好幾週。自那時起，阿里巴巴及許多事業夥伴持續致力改善後勤系統的處理能力與效率。到了2016 年的流量高峰時，購物平台每秒處理17 萬5000 筆訂單和12 萬筆的付款。2017年接近午夜12 點，11 秒內，平台銷售金額達到1 億人民幣（相當於1500 萬美元），17 秒後達到10 億人民幣（相當於1.5 億美元），其中97％的交易是在行動裝置上進行，阿里巴巴的技術平台每秒可以處理32 萬5000 筆訂單和25 萬6000 筆付款；這還不是最驚人的，接下來的事情更令人目瞪口呆。

Don't Win Alone, Win as a Team! 吳恩達教授2019年/2020年演講精華分享

開始看文之前，請大家先支持一下寶太太粉專，按個讚，成為支持小妹繼續分享的動力！(https://www.facebook.com/AIminihu/)

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

如同去年的題目"What's Next in AI"，今年是"Navigating the Path for Sucessful AI Adoption Beyond the Technology Industry." 輛次的分享中都提到了人工智慧是產業新電力 (AI is the new electricity.)不僅對於軟體產業，更是對於非軟體產業，根據麥肯錫(McKinsey Global Institute)的報告指出，2030年AI所帶來的產值會高達13兆美元，前幾名的應用是在零售、旅遊、運輸物流與自動化設備的產業；而產業要發展的好，需要搭配三個關鍵，分別是人才、想法、工具（Talents / Ideas / Tools），因此Andrew特別在最後與前科技部長陳良基對談時提到「持續學習」的重要性，人才不一定指的是新人才，更是持續能精進自己知識與跨域(+整合)的人才。

2030 AI產值@ 2020台杉AI論壇

「Don't win alone, win as a team!」

人人都是數據人的年代已經來臨，喜不喜歡都應該跟上！《數據的商戰策略》心得分享

自哈佛商業評論2012年10月的文章出版後，資料科學家：21世紀最性感的工作 (Data Scientist: The Sexiest Job of the 21st Century) 突然成為熱門詞彙，文中提到數據科學家時是以專業和宏觀的角度帶出，說明職能、技能、稀缺性、在組織裏的重要性和市場發展等方面的見解。簡單用IBM的說法，資料科學家就是資料分析師的再進化。然而這些都是再三告訴我們一個事實：數據很重要！因此接下來要介紹的這本談數據策略的書，乍聽知道很硬（不好讀），但是出乎意外的兩個早上就完成，而且充滿哲理（很適合商科的我），推薦給大家。

書封：取自天下雜誌

《數據的商戰策略》by 車品覺 2020.03 天下雜誌出版

「所謂戰略，就是懂得放棄什麼。」
車品覺是2010年到2016年，先後任職於支付寶、淘寶，並擔任阿里巴巴集團副總裁與首任數據委員會會長，協助阿里建立全新的數據治理體系，成功帶領阿里轉型成為數據公司的推手；因此懂得放棄什麼是阿里可以持續達成馬雲的野蠻成長策略的關鍵之一，我想您可能有聽過一個「業績要到，糧草不給」的故事。

這個想法很像去年讀到的一本書《選三哲學》，有興趣的可以延伸閱讀。

2013 年，阿里進入了高速發展期，不管是支付寶還是淘寶，都因為有太多的專案要做，而不得不增加大量人手來幫忙。那段期間，每個部門的人員配置增長得非常快，遠遠超過了正常水準。當時馬雲對這種現象表示了懷疑，這太不對勁了。而且，年底進行人才盤點時，各部門提出的新增員工人數，達到了五千人，而當時阿里大概是兩萬人。馬雲很快做了一個決定：2014 年不再增加新員工，員工出二進一。這還了得，下面還不「炸」了嗎！事實上的確「炸」了，大家都在想，馬總是不是在開玩笑！但大家看馬總一臉「違令者斬」的表情，才頓覺這不是玩笑。為什麼他要這麼做？我們還要全速增長呢！斷了糧草，還怎麼打仗？

馬雲圖：取自網路

但馬雲的意思簡單粗暴：明年的業績一定要照做，但是糧草我不會給！你們自己看著辦。你是不是覺得很莫名其妙？其實馬雲的想法很簡單：誰都會要錢要糧，但只有良將才能做到勵精圖治，更何況，亂世才出英雄啊！也因此開展出阿里的戰略方向，也迫使各個部門不能在擁兵自重，而是需要更重視整合，其中的重要元素就是「整合數據」，才能完成目標。

以下為作者於書中提到的幾個以數據驅動的營運重點。

當AI遇到觀光：AI於觀光產業的應用案例與發展思辨（觀光局演講分享）

分享主題

好一陣子前受邀到觀光局，跟全台灣（含外島）的觀光先進們一同討論分享，AI在觀光產業能做些甚麼？

在準備的過程中覺得有不少研究的資訊也可以跟大家聊聊，本次分享的脈絡是以下四面向來分享：

• 從旅客體驗說起
• 觀光產業的數位轉型契機
•  AI能做什麼跟應用案例分享
• 智慧觀光的關鍵

根據調查顯示，不佳的體驗會讓顧客流失，導致企業每年損失高達 16 兆美元，而良好的體驗則可創造企業營收倍數成長。根據 Bain & Company 調查指出，80% 的執行長認為他們的企業為顧客帶來深入人心的體驗，卻僅有 8% 的顧客這麼認為，突顯巨大的體驗落差。這就是為什麼談AI與觀光需要從旅客體驗說起的原因，因為觀光其實完全就是一種沉浸式的體驗，是旅行回憶中重要的一環。因此開頭的一開始，就請參與者思考「一次難忘的旅遊經驗」。

回想我自己難忘的旅遊經驗，我想到的是三個場景，以下用三張照片來說明：

(第一個場景：物聯網飯店)

第一個場景是去日本東京(武藏小杉站)時住的一家當年剛剛成立的新飯店，下午一check in就先邀請我們選枕頭、浴衣，浴衣很常見，但為了讓客人有一夜好眠，有各種材質、高度的枕頭可以選擇，這還是第一次，印象深刻。

參訪日本兩大新創：Preferred Networks & ABEJA

日本經濟新聞結合專利分析公司「Patent Result」，分析了民間企業在 AI 領域方面的專利申請案件。於 2016 年至 2018 年這 3 年期間，在公開的專利申請件數前 50 名企業當中，中國占了 19 家、美國占了 12 家，而日本則有 11 家。不僅如此，日本還是繼加拿大之後第二個採用AI為戰略的國家，2017年3月發布後特別著重於人工智能在生產力、健康和流動性方面的應用。當然日本的AI新創公司是個重要指標。


前情提要：由於寶先生於11月受經濟部工業局計畫邀請，參加108年度「AI智慧應用新世代人才培育計畫的日本AI研習團」的隨團翻譯，因此本次特別訪問他，與大家分享日本AI趨勢與應用案例。本篇將著重於他去參訪日本前兩大新創獨角獸公司（Preferred networks跟ABEJA）的一些分享。

Preferred Networks於2014年成立，短短幾年已獲得豐田汽車(Toyota Motor)大力贊助，期許它能催生足以與Waymo自駕車媲美的技術，CB Insights更估計該公司市值達20億美元，投資他們的公司包含豐田、日立、發那科(Fanuc)、瑞穗金融、三井貿易等，使其成為日本唯一的獨角獸為一家日本獨角獸公司，PNF目前被稱為是日本最具創業精神的公司。

CB Insights裡關於Preferred Network的公司資訊

從NEC論壇看2019年的日本AI應用與趨勢- 「機器學習」正全面擴散！

由於寶先生於11月受經濟部工業局計畫邀請，參加108年度「AI智慧應用新世代人才培育計畫的日本AI研習團」的隨團翻譯，因此本次特別訪問他，與大家分享日本AI趨勢與應用案例。

本次參訪著重於展覽內新技術的應用（本篇）與日本兩大AI新創，以下一一解析。

【NEC C&C User Forum】
於有樂町舉辦、為期兩天的NEC論壇，由演講、研討會、展覽區三大主題組成，主軸是「數位內涵」（Digital Inclusion）。

在數位時代來臨後，其實有兩個名詞大家應該耳熟能詳，一是Digital Divide數位落差、另一個是Digital Literacy數位素養；而Digital Inclusion 數位內涵是一個相對新的概念，特別強調包容，即數位對所有人都有可能可以帶來更好的未來，其中關於接觸面（如公眾如何可以利用與付費思考等）、採用（公眾是否知道如何使用、與公眾的相關性、甚至安全性）與應用（在經濟與職場上的善用、教育與醫療等全方位的實例），因此也可以於展覽中的各攤位就可以感受應用的多元性。


「目前的NEC大致分為兩個方向。一個為能夠人類生活的更安心安全便利的社會建設服務『NEC Safer Cities』，以及超越傳統產業上的人、物、工作流程的連結，而能提供全新價值的『NEC Value Chain Innovation』。這兩大方向都是以NEC的AI、生物辨識、網路安全技術為基礎而創造出來的。」NEC社長於開幕演講中提到。

沒有人是一座孤島，看CEO Satya如何賦能微軟《刷新未來》

「我們是一家想幫助別人成就更多的企業，不只是為美國西岸的新創公司和熟悉科技的用戶，而是為全世界每個人服務。為大家和他們所屬的組織賦能，就是我們的理想。」2014年繼比爾蓋茲與鮑爾默後的第三位CEO Satya Nadella在面對一萬五千位直接與客戶接觸的員工這麼說。

在培訓的世界中有一種能力(也可稱技能）是賦能（Empower），在這塊上我一直在探索，回什麼話、問什麼問題、如何讚美、甚至是意見不同時回應方式，都有可能刺激對方思考，而那個思考是因為我們信任他有能力去想，因此採用這種方式。既然Coaching能賦能（Empower Coach）那麼領導力或是使命呢？

在Wiki上的定義是：
賦權乃是個人、組織與社區藉由一種學習、參與、合作等過程或機制，使獲得掌控自己本身相關事務的力量，以提昇個人生活、組織功能與社區生活品質。

我的說法：把impossible變成possible；將unable變成able，這就是賦能！

在微軟《刷新未來》中，我看到了曙光與更實際的行動說明。

人工智慧學校 AI Academy 台北第三期筆記- AI初探

Change is the only constant. (改變是唯一的不變。)

從AlphaGo 2016年以四勝一敗擊敗韓國棋王李世乭（이세돌）後，第三波的AI發展更熱烈的被討論與廣為人知，然而到底什麼是人工智慧呢？

人工智慧指的是讓機器擁有類似人類智慧的技術，而今天的人工智慧指的是第三波的人工智慧。本波的AI不是只以知識規則的統整，更是在海量資料/大數據的推播助瀾下，可以不需要專家，直接用機器學習，即非採用專家給的邏輯，而由機器自行歸納的多重規則來下判斷，以提高辨識率 (聰明程度)，再輔以更強的運算能力與不同的方法，如CNN圖像識別或RNN語意辨識，大幅提高效能，找出比人類說得出口的規則更加精準的規則。但當然不同的方法也有其限制，如強化學習 (Reinforcement learning)只能用在封閉的系統， Ex. AlphaGo

可以從機器學習論文的成長曲線看出本波AI會成為未來發展關鍵。



以技術角度來看，人工智慧包含傳統人工智慧與機器學習。傳統人工智慧指的就是基於人類經驗制定原則的方法，機器學習則包含所有讓電腦自行由大量資料中學習出規則的方法。

以人類來說，很多事情是直覺或是常識，但對電腦來說需要歸納成規則才能work。

我們懂的事情，比我們能表達出來的更多。--Polanyi's Paradox, 1964.

人工智慧學校 AI Academy 台北第三期開學 上午筆記

0929上午議程

魏啟林副董事長 致詞 (科技生態發展公益基金會)

上午：開學典禮合照

孔祥重校長

Visionary leadership

Set up your goal

廖弘源所長 (中央研究院資訊科學研究所)

--監控應用多媒體訊號處理

End-to-end>>deep learning>>pattern matching/classifier

ex. ImageNet (2007~2010)

--觀看電視牆廣告 (Two-pass estimation)

--Person Re-ID: aims to match a person across multiple non-overlapping camera views

Employee identity check (Employee face dataset construction --pedestrian analysis)

->Assign IDs (static and dynamic features extracted from multiple views)

->IDs assigned to strangers

->Tracking Strangers via face embedding or via pedestrian embedding