數據生而不平等. 不同產業欲推動數位化, AI 化時, 所面臨的挑戰以及可預的期效益大相逕庭. 在設計 AI 產品時, 首要考量為數據的擷取, 閉環的形成, 以及從中產生效益. 然而, AI 模型對數據的依賴性, 以及本身的容錯性, 對於整個產品的設計同等重要. 針對模型特性設計容錯的配套, 隨著數據迭代進行模型更新, 並加速整個數據閉環的循環, 才能讓數據發揮最大的效用.
此演講從宏觀至微觀, 以理論輔以實際案例, 幫助產品經理與工程師 / 架構師在推動 AI 產品化時, 更能掌握上述各點之間的取捨.