Recommended
More Related Content
What's hot
What's hot (20)
Similar to 20190720陳昇瑋執行長專題演講－人工智慧在台灣
Similar to 20190720陳昇瑋執行長專題演講－人工智慧在台灣 (20)
More from AI.academy
More from AI.academy (20)
20190720陳昇瑋執行長專題演講－人工智慧在台灣
- 2. 台灣人工智慧學校 執行長 玉山金融控股公司 科技長 中央研究院資訊所 研究員 人工智慧科技基金會 董事長 科技生態發展公益基金會 執行長
- 3. 13
- 4. 14
- 5. 19
- 6. 陳昇瑋 / 人工智慧在台灣 博藍尼悖論 (Polanyi's Paradox) 21 我們懂的事情， 比我們能表達出來的更多。 哲學家博藍尼在 1964 年說明了這個現象： 博藍尼悖論不只限制我們能告訴另一個人的事情，一直以來，也為我們賦予機器 智慧的能力，設下根本的限制。長久以來，這限制了機器在經濟中能有效執行的 活動。
- 8. ▍人工智慧發展簡史 資料來源：《人工智慧在台灣》，劉奕酉整理 符號邏輯 專家系統 機器學習 第一波 1950-1960 第二波 1980-1990 第三波 2010-Present 把人的思考邏輯放進電腦 把人的所有知識放進電腦 把人的所有看見放進電腦 失敗 失敗 由領域專家寫下決策邏 輯。 由領域專家寫下經驗規 則。 由領域專家提供歷史資 料，讓電腦自己歸納規 則。 人類還沒辦法清楚理解自己 的思考過程，如何告訴電 腦？ 太多難題人類無法解答、無 法寫成規則、無法以程式碼 表示。
- 9. 26
- 10. 陳昇瑋 / 台灣產業 AI 化 - 如何跨出第一步？ 機器學習 27 Training a prediction machine by showing examples instead of programming it. -Yann LeCun (prediction machine: 可基於已知預測未知的數學模型)
- 11. 陳昇瑋 / 台灣產業 AI 化 - 如何跨出第一步？ 機器學習的定義 28 讓電腦能從資料裡頭淬取出 規則的演算法。 Find the common patterns from the left waveforms It seems impossible to write a program for speech recognition 你好 你好 你好 你好 You quickly get lost in the exceptions and special cases. (Slide Credit: Hung-Yi Lee)
- 12. 陳昇瑋 / 台灣產業 AI 化 - 如何跨出第一步？ 就放棄教電腦規則，讓它自己學吧！ 你好 大家好 人帥真好 You said “你好” 很多訓練資料 機器學習演算法 從訓練資料中 找到規則 (Slide Credit: Hung-Yi Lee)
- 13. 陳昇瑋 / 台灣產業 AI 化 - 如何跨出第一步？ 機器學習學到的規則跟你想的不太一樣 31
- 14. 35
- 15. 陳昇瑋 / 人工智慧在台灣 36
- 16. 陳昇瑋 / 人工智慧在台灣 37
- 17. 陳昇瑋 / 人工智慧在台灣 38
- 18. 陳昇瑋 / 人工智慧在台灣 39
- 19. 陳昇瑋 / 人工智慧在台灣 40
- 20. 41
- 21. 陳昇瑋 / 人工智慧在台灣 多數 AI 應用是讓機器學會一個對應關係 43
- 26. 陳昇瑋 / 人工智慧在台灣 Deep Learning, Machine Learning, and AI 50
- 27. Healthy Diseased Hemorrhages No DR Mild DR Moderate DR Severe DR Proliferative DR 1 2 3 4 5
- 28. 陳昇瑋 / 人工智慧在台灣 54 Classical Machine Learning Deep Learning Rule-based System Rule extraction
- 29. 56
- 31. 陳昇瑋 / 人工智慧在台灣 There is no free lunch 58 Classical Machine Learning Deep Learning
- 34. 陳昇瑋 / 人工智慧在台灣 74
- 35. 0.95 F-score Algorithm Ophthalmologist (median) 0.91 “The study by Gulshan and colleagues truly represents the brave new world in medicine.” “Google just published this paper in JAMA (impact factor 44.405) [...] It actually lives up to the hype.” Dr. Andrew Beam, Dr. Isaac Kohane Harvard Medical School Dr. Luke Oakden-Rayner University of Adelaide
- 36. 陳昇瑋 / 人工智慧在台灣 Deep Learning for Detection of Diabetic Eye Disease 76 Algorithm’s F1-score: 0.95 Median F1-score of 8 ophthalmologists : 0.91
- 37. 陳昇瑋 / 人工智慧在台灣 77
- 38. 78OCT: Optical CoherenceTomography (干涉光視網膜斷層掃描)
- 39. 80
- 40. 陳昇瑋 / 人工智慧在台灣 Top 5 Causes of Deaths 83 (Ref: Medical error—the third leading cause of death in the US |The BMJ)
- 41. 陳昇瑋 / 人工智慧在台灣 84
- 42. arxiv.org/abs/1703.02442 Tumor localization score (FROC): model: 0.89 pathologist: 0.73 (Slide Credit: Google Brain)
- 43. 陳昇瑋 / 人工智慧在台灣 87 Deep Learning for Kidney Function Classification and Prediction using Ultrasound-based Imaging Chin-Chi Kuo1, Chun-Min Chang2, Kuan-Ting Liu2, Wei-Kai Lin2, Chih-Wei Chung1, and Kuan-Ta Chen2 1Big Data Center, China Medical University Hospital, China Medical University, Taichung, Taiwan 2Institute of Information Science, Academia Sinica, Taiwan eGFR (腎功能指數)
- 44. 陳昇瑋 / 人工智慧在台灣 88
- 45. Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks 94 Goal: diagnose irregular heart rhythms, also known as arrhythmias, from single-lead ECG signals better than a cardiologist
- 46. 陳昇瑋 / 人工智慧在台灣 Input and Output Input: a time-series of raw ECG signal The 30 second long ECG signal is sampled at 200 Hz From 29,163 patients Output: a sequence of rhythm classes The model outputs a new prediction once every second Total 14 rhythm classes are identified 95
- 47. 陳昇瑋 / 人工智慧在台灣 96
- 48. 陳昇瑋 / 人工智慧在台灣 Model 34 layers NN 16 residual blocks 2 conv layers per block Filter length = 16 samples # filter = 64*k, k start from 1 and is incremented every 4-th residual block Every residual block subsamples its input by a factor of 2 97
- 49. 陳昇瑋 / 人工智慧在台灣 Results – F1 score 98
- 50. 陳昇瑋 / 人工智慧在台灣 Google Healthcare Focuses 100
- 51. Predictive tasks for healthcare Given a large corpus of training data of de-identified medical records, can we predict interesting aspects of the future for a patient not in the training set? ● will patient be readmitted to hospital in next N days? ● what is the likely length of hospital stay for patient checking in? ● what are the most likely diagnoses for the patient right now? and why? ● what medications should a doctor consider prescribing? ● what tests should be considered for this patient? ● which patients are at highest risk for X in next month? Collaborating with several healthcare organizations, including UCSF, Stanford, and Univ. of Chicago. Have early promising results.
- 52. 陳昇瑋 / 人工智慧民主化在台灣 112 RECENT ADVANCES IN DEEP LEARNING
- 53. The ImageNet Benchmark in Object Classification: Example Images in the Bird Class 113 (Classify 256x256 images into one of a thousand categories)
- 54. 陳昇瑋 / 人工智慧民主化在台灣 115
- 55. 陳昇瑋 / 人工智慧民主化在台灣 116
- 56. 陳昇瑋 / 人工智慧民主化在台灣 Auto Coloring 117 https://paintschainer.preferred.tech/index_zh.html https://zhuanlan.zhihu.com/p/24712438
- 57. 陳昇瑋 / 人工智慧民主化在台灣 Colorful Image Colorization 118 Zhang, Richard, Phillip Isola, and Alexei A. Efros. "Colorful image colorization." European Conference on Computer Vision. Springer International Publishing, 2016.
- 58. 陳昇瑋 / 人工智慧民主化在台灣 Colorful Image Colorization 119 http://richzhang.github.io/colorization/ A 313-class classification problem Input: 224x224x1 (L) Model output: 64x64x313 Pixel values: annealed mean of 313 colors
- 59. 陳昇瑋 / 人工智慧民主化在台灣 Colorizing Legacy Photos 120
- 61. 陳昇瑋 / 人工智慧民主化在台灣 Truth vs. Generated Samples 124 https://metacademy.org/roadmaps/rgrosse/deep_learning
- 62. 陳昇瑋 / 人工智慧民主化在台灣 Source of images: https://zhuanlan.zhihu.com/p/24767059 DCGAN: https://github.com/carpedm20/DCGAN-tensorflow (Slide Credit: Hung-Yi Lee) Anime Girl Face Generation
- 63. 陳昇瑋 / 人工智慧民主化在台灣 100 rounds (Slide Credit: Hung-Yi Lee) Anime Girl Face Generation
- 64. 1000 rounds (Slide Credit: Hung-Yi Lee) Anime Girl Face Generation
- 65. 5000 rounds (Slide Credit: Hung-Yi Lee) Anime Girl Face Generation
- 66. 50,000 rounds (Slide Credit: Hung-Yi Lee) Anime Girl Face Generation
- 67. BEGAN (Boundary Equilibrium GAN) Berthelot, David,Tom Schumm, and Luke Metz. "Began: Boundary equilibrium generative adversarial networks." arXiv preprint arXiv:1703.10717(2017). https://github.com/carpedm20/BEGAN-tensorflow
- 70. 陳昇瑋 / 人工智慧民主化在台灣 StyleGAN for cats 134 https://buzzorange.com/techorange/2019/02/15/reve nge-for-valentines-day/
- 71. 陳昇瑋 / 人工智慧民主化在台灣 StyleGAN failed cases 135 https://buzzorange.com/techorange/2019/02/ 11/cat-style-gan/
- 72. 陳昇瑋 / 人工智慧民主化在台灣 136 https://buzzorange.com/techorange/2019/02/ 15/revenge-for-valentines-day/
- 73. Sheng-Wei Chen / AI Now: A Data Science Perspective AI 自動生成二次元妹子？ 或將替代插畫師部分工作 139 http://bangqu.com/b4U76M.htmlhttp://make.girls.moe/#/
- 74. 陳昇瑋 / 人工智慧民主化在台灣 Interactive Image Translation with pix2pix-tensorflow https://affinelayer.com/pixsrv/
- 76. 陳昇瑋 / 人工智慧民主化在台灣 Horse <-> Zibra 144
- 78. 陳昇瑋 / 人工智慧民主化在台灣 NATURAL LANGUAGE PROCESSING (NLP) 148
- 79. 陳昇瑋 / 人工智慧民主化在台灣 Natural Language Processing (NLP): Some Sentence Generation Examples by GTP-2 149 Bad news: The technology can be used in generating fake news Transformer based (Slide credit: HT Kung)
- 80. 陳昇瑋 / 人工智慧民主化在台灣 More text generation samples 150https://openai.com/blog/better-language-models/
- 81. 陳昇瑋 / 人工智慧民主化在台灣 BERT and GPT-2 151 ● Both BERT (from Google) and GPT-2 (OpenAI) are general purpose pretrained NLP Feature Extractors based on the Transformer trained on enormous amounts of text data. ● These models can be fine-tuned on small-data NLP tasks (like question answering), resulting in substantial accuracy improvements compared to training on these datasets from scratch Pretrained BERT/GPT-2 Additional classifier for your own tasks The pretrained feature extractor Based on Transformer
- 82. 陳昇瑋 / 人工智慧民主化在台灣 Advances of NLP Models in Recent Years 152 Deeper models, Larger Datasets Better Features! Performance Improvement: ~20% Reuse of pre-training BERT/GPT-2: models. Impact is similar to that of ImageNet in computer vision Paper on theTransformer:Vaswani, A. et al, “Attention Is AllYou Need,” NIPS 2017 One-hot Word Embedding ELMo BERT GPT-2 milestone Transformer based BooksCorpus (800M words) + Wikipedia (2,500M words) scraped content from the Internet of 8 million web pages WMT 2011 (800M words) WMT 2011 (800M words) Large-scale dataset like ImageNet RNN based Development of pretrained ‘feature extractor’ for NLP tasks:
- 84. 158
- 85. 陳昇瑋 / 人工智慧民主化在台灣 Learn from interaction w/ environment to achieve a goal Reinforcement Learning 160 https://www.youtube.com/watch?v=IXuHxkpO5E8
- 86. 陳昇瑋 / 人工智慧民主化在台灣 Learning to play Go Supervised v.s. Reinforcement 161(Slide Credit: Hung-Yi Lee)
- 87. 陳昇瑋 / 人工智慧民主化在台灣 163 https://www.youtube.com/watch?v=SHLuf2ZBQSw
- 88. 陳昇瑋 / 人工智慧民主化在台灣 NVidia Self Driving Car, 2016
- 89. 陳昇瑋 / 人工智慧民主化在台灣 Typical Applications of RL Play games: Atari, poker, Go, ... Explore worlds: 3D worlds, Labyrinth, ... Control physical systems: manipulate, walk, swim, ... Interact with users: recommend, optimize, personalize, ... 167 (Slide credit: David Silver)
- 90. 陳昇瑋 / 人工智慧民主化在台灣 More RL Applications Flying Helicopter Driving Google Cuts Its Giant Electricity Bill With DeepMind-Powered AI Parameter tuning in manufacturing lines Text generation Hongyu Guo, “Generating Text with Deep Reinforcement Learning”, NIPS, 2015 Marc'AurelioRanzato,SumitChopra,Michael Auli,Wojciech Zaremba, “Sequence Level Training with Recurrent Neural Networks”, ICLR, 2016 168(Slide Credit: Hung-Yi Lee)
- 91. 陳昇瑋 / 人工智慧民主化在台灣 169
- 92. 陳昇瑋 / 人工智慧民主化在台灣 170
- 93. 陳昇瑋 / 人工智慧民主化在台灣 173
- 94. 陳昇瑋 / 人工智慧民主化在台灣 174 Mobile computing, inexpensive sensors collecting terabytes of data, and the rise of machine learning that can use that data will fundamentally change the way the global economy is organized. - Fortune, “CEOs:The Revolution is Coming,” March 2016
- 95. 2017.03
- 96. 孔祥重院士 • 美國卡內基美隆大學電腦教授 • 美國哈佛大學資訊科技與管理博士學程共同主席 • 行政院 SRB 會議海外專家與科技顧問 • 行政院科技顧問 • 國家級計畫重要推手 • 數位台灣計畫 (e-Taiwan) • 行動台灣計畫 (M-Taiwan) • 電信國家型計畫 • WiMAX 發展藍圖 • 網路通訊國家型計畫 H.T. Kung • 中央研究院 院士 • 美國哈佛大學電腦與電機系 蓋茲講座教授 現任 經歷
- 97. 2000: Mobile Device1980: PC 1990: Internet 2015: AI + IoT Taiwan’s next opportunity?
- 98. 以人工智慧提升 台灣產業競爭力
- 99. March – November in 2017 179 台塑石化 長春石化 奇美實業 英業達 欣興電子 敬鵬工業 可成科技 致茂電子 永進機械 研華科技 聯發科技 台積電 紡織所 宏遠紡織 台元紡織 佳和紡織 強盛染整 農科院 龍鼎蘭花 經緯航太科技
- 101. 182
- 102. 產業 AI 化的挑戰 01 實戰人才的缺乏 02資料基礎建設不足 03 找對問題不簡單 04產學之間的鴻溝
- 105. LCD Panel Defects 191(Slide Credit: IBM)
- 106. 台灣人工智慧學校首屆開學典禮 192 Typical PCB defects
- 107. 台灣人工智慧學校首屆開學典禮 Typical defects after SMT (Surface-Mount Technology) process 短路 空焊 極反 缺件 浮高 跪腳 撞件 錫球 墓碑 … 193 https://www.researchmfg.com/2011/02/soldering-defect-symptom/
- 108. More SMT/DIP Defect Examples 194
- 110. Convolution Neural Networks + Transfer Learning Pre-trained using 14-million image dataset ResNet with > 8-million parameters Input images Model training / inference OK OK 以深度學習進行自動瑕疵檢測
- 111. 實際案例 – 視覺檢測效益評估 199 產線數量: 23 條 4 位目檢人員; 漏網率約 5% AOI 設備每小時影像輸出量: 配合人力允許條件, 60 萬張/每日 (極限為每條產線 2 萬張/小時 = 1104 萬/日) 判定耗時: 30 萬張 / 人日 = 120 萬張/日 傳統 人力 目檢 深度 學習 系統 硬體設備: 中高階桌上型電腦 + NVIDIA GPU: 10 ~ 15 萬 軟體: 開源軟體 + 高度調校之深度學習模型 品質:模型漏網率控制在 0.01% 之下，目檢人員只需檢查原本總數之 5% 的圖片 判斷速度: 166.67 張 / sec 每日 1440 萬張影像
- 112. 實際案例 – 視覺檢測效益評估 200 品質：根據複判初步統計，目檢人員漏網率至少為 12.9% 速度：目檢人員 8~10 位，每天約可檢查共約 3,000,000 張 傳統 人力 目檢 深度 學習 系統 硬體設備：中高階桌上型電腦 + NVIDIA GPU: 10 ~ 15 萬 軟體：開源軟體 + 高度調校之深度學習模型 品質：模型漏網率控制在 1% 之下，目檢人員只需檢查原本 總數之 10% 的圖片 速度：8,640,000 張 / 天 = 100 張 / 秒
- 116. 台灣人工智慧學校首屆開學典禮 Especially important for equipment with high failure cost (such as motors in machine tools) Also important for expensive consumables (such as blades used in precision cutting machines) 204 產業共通挑戰 #3－預測性維護
- 120. 台灣人工智慧學校首屆開學典禮 208 Pigment 1 Pigment 2 Pigment 3打色成功率: 70% to 95%
- 121. 台灣人工智慧學校首屆開學典禮 PROJECT Θ TEAM HAS SOLVED 10+ PROBLEMS FROM 10+ COMPANIES WITHIN 6 MONTHS… 211
- 122. 台灣人工智慧學校首屆開學典禮 2017/06/26 Project θ Meeting 212
- 123. 尋找一個把能量放大 的方法 1,000x
- 124. 01 實戰人才的缺乏 02資料基礎建設不足 03 找對問題不簡單 04產學之間的鴻溝 產業 AI 化的挑戰 關鍵
- 125. 216
- 126. 陳昇瑋 / 人工智慧民主化在台灣 217http://bangqu.com/g394k4.html
- 127. 主辦
- 130. http://aiacademy.tw/ 01 02 03 產業 AI 化的軍校 領域專家 + 人工智慧 讓「找不到人才」不再是障礙
- 131. 224
- 132. 2018/01/27 台北一期開學 2018/04/12 台北一期結業 2018/05/12 台北二期開學 2018/07/21 新竹一期開學 2018/08/18 台中一期開學 2018/09/02 台北二期結業 2018/09/29 台北三期開學 2018/11/10 新竹一期結業 2018/12/08 新竹二期開學 2018/12/15 台中一期結業 2019/01/05 台中二期開學 2019/01/26 台北三期結業 2019/02/23 台北四期開學 2019/03/16 南部一期開學 2019/04/20 新竹二期結業 2019/05/04 新竹三期開學 2019/05/18 台中二期結業 2019/06/01 台中三期開學 2019/06/28 台北四期結業 2019/07/13 南部一期結業
- 133. 台灣人工智慧學校校區 232 台北總校新竹分校 台中分校 南部分校 (1000 坪, 三重) (1200 坪, 竹科) (900 坪, 台灣大道) (1000 坪, 台南仁德) (經理人班, 中山大學)
- 135. 台北總校 - 群光電子大樓 234
- 136. 台北總校 - 群光電子大樓 235
- 137. 新竹分校－新竹市力行路二十一號 236
- 139. 239 台中分校本部 & 技術班上課地點－ 民權路 239 號國泰人壽大樓 15-17F
- 140. 240
- 143. GPU x 500+
- 144. 堅實助教團隊 (30+)
- 145. 校友
- 146. 技術領袖培訓班
- 149. 陳昇瑋 / 人工智慧在台灣 251
- 150. 經理人周末研修班
- 151. 經理人班學員職位分布
- 154. 問題探討 Ｑ & A建 模 參考文獻資料前處理 實戰成果
- 155. ● 原始週報範例 ● Hybrid 週報結果 速訊寫稿機器人 I II III
- 156. 自動挑出壞的咖啡豆 260
- 157. 跟著狗躲著貓的自走車 261
- 158. 疲勞駕駛偵測 262
- 159. 工安確保 263
- 160. AI 為盲胞 “唸” 影片 267
- 161. 268
- 162. AI河川天眼通LINE Bot
- 165. 陳昇瑋 / 人工智慧民主化在台灣 ADVICES FOR AI DEPLOYMENT 292
- 166. 陳昇瑋 / 人工智慧民主化在台灣 293
- 167. 陳昇瑋 / 人工智慧民主化在台灣 294
- 169. 陳昇瑋 / 人工智慧民主化在台灣 Execute pilot projects to gain momentum Build an in-house AI team Provide broad AI training Develop an AI strategy Develop internal and external communications 296
- 170. 陳昇瑋 / 人工智慧民主化在台灣 AI 導入三步驟 步驟 一 借助外部資源 步驟二 利用外部資源， 培養內部 AI 團隊 步驟三 將內部 AI 團隊與 各個有效結合 297 CEO AI 業務部門 業務部門 業務部門 AI 培訓
- 171. 陳昇瑋 / 人工智慧民主化在台灣 State of AI In The Enterprise, 2018 303 Deloitte interviewed 1,100 IT and line-of-business executives from US-based companies in the 3rd quarter of 2018. 82% of enterprise AI early adopters are seeing a positive ROI from their production-level projects this year. 69% of enterprises are facing a “moderate, major or extreme” skills gap in finding skilled associates to staff their new AI-driven business models and projects. 63% of enterprises have adopted machine learning, making this category the most popular of all AI technologies in 2018.
- 172. 陳昇瑋 / 人工智慧民主化在台灣 304
- 173. 陳昇瑋 / 人工智慧民主化在台灣 State of AI In The Enterprise, 2018 305
- 174. 陳昇瑋 / 人工智慧民主化在台灣 State of AI In The Enterprise, 2018 306
- 175. 陳昇瑋 / 人工智慧民主化在台灣 307 (Source: Gartner) 變革文化/決心不足 資料問題 技術人才缺乏 目標/效果不明確 資源不足
- 176. 陳昇瑋 / 資料科學人才的養成 Major Roles in an AI Team 310 Product Manager Data Scientist Machine Learning Engineer Data Engineer
- 177. 陳昇瑋 / 資料科學人才的養成 311 IT / Data Infrastructure ML / DL Skills Data Engineer Machine Learning Engineer Data Scientist Domain Expertise 連結資料與商業價值 蒐集及處理資料 以資料開發模型， 讓人工智慧決策更精準
- 178. 陳昇瑋 / 從大數據走向人工智慧
- 179. 陳昇瑋 / 資料科學人才的養成 相關 ≠ 因果 X 與 Y 相關 X 導致 Y？ Y 導致 X？ 或另有變數同時 導致 X & Y？ 316 巧克力消耗量 vs. 諾貝爾得獎數 淡旺季 vs. 票價
- 180. 陳昇瑋 / 資料科學人才的養成 317
- 181. 陳昇瑋 / 資料科學人才的養成 318
- 183. 陳昇瑋 / 資料科學人才的養成 光靠數字無法做出正確決策 微軟 Office 的實際案例：錯誤訊息該不該本地化？ 資訊顯示這類錯誤訊息的出現頻率並不高，所以團隊在第一時 間就決定「不處理」，台灣使用者只能看到英文錯誤訊息。 後來發現犯了倒果為因的錯誤：因為程式對繁體中文語系支援 不好，所以才造成使用頻率偏低。 進一步詢問在地銷售部門，了解相關市場的反應，才發現在地 市場對這類的問題積怨已久，即使只是稍加改善，也能挽回不 少滿意度。 320https://rocket.cafe/talks/84164
- 184. 陳昇瑋 / 資料科學人才的養成 徒有數據，不足以成事 微軟 Office 的實際案例：如何做出精簡版 Office? 將所有的功能依使用頻率驗大小排列出來，做出來的版本乏 人問津 亞洲使用者的表格功能使用率極高，歐美地區則相對落後； 而美洲的使用者超級愛用註解功能（與協同合作有關），亞 洲地區則使用率奇低。這樣的情況隨處可見。 進行更全面的分析：如果只把全球用戶使用率都很高的功能 納入，像是開檔、列印、複製貼上等等，是不足以形成一個 產品的。 常見的「平均數」謬誤 321https://rocket.cafe/talks/84326
- 185. 陳昇瑋 / 資料科學人才的養成 找不到有經驗的專家怎麼辦？ 三個出發點: 資訊科技, 機器學習, 業務領域 專精一項就很不錯，專精兩項即少見 不用等待完美的人出現 322 全文網址
- 186. 陳昇瑋 / 人工智慧民主化在台灣 經理人須具備的 10 個認知 (1/2) 沒有資料就不會有人工智慧 也不是有資料，就一定能產出人工智慧：資料品質與模型建立 方法也是關鍵 你從來沒有答案的事情，人工智慧也不會有 沒有變異的資料，等於沒有資訊，同樣不會有答案 不要忽略資料的成本 326
- 187. 陳昇瑋 / 人工智慧民主化在台灣 經理人須具備的 10 個認知 (2/2) 統計圖表與機器學習模型各有所長，不能盡信任一種 人工智慧導入之後必然造成企業工作方式或流程的改變 身為推動人工智慧導入工程的主管，本身一定要相信資料和模型 不要把人工智慧的導入及建置全部丟給資訊人員，業務主管一定要親自 參與 人工智慧跟人一樣，需要長期觀察，並需要不斷翻新 327
- 188. 陳昇瑋 / 從大數據走向人工智慧 Perception: ML products are mostly about ML 328
- 189. 陳昇瑋 / 從大數據走向人工智慧 Reality: ML requires DevOps, lots of it 329
- 190. 陳昇瑋 / 從大數據走向人工智慧 持續的團隊支援 330 A common data platform and workflow is crucial for enterprise success. Data Engineer ML Engineer Biz Analyst DevOps DevOps + ML Engineer App Developer (Credit: IBM Systems Lab Services) (all under the supervision of Data Scientist)
- 191. 陳昇瑋 / 從大數據走向人工智慧 AI vs. BI AI systems suggest decisions for users by making predictions BI systems support users make decisions based on data visualization Key difference AI systems are based on generalizable models BI systems require humans to generalize Best practice AI: fast, massive, error-tolerant, ML-capable problems BI: otherwise AI+BI: making sense of AI decisions 333
- 192. 陳昇瑋 / 從大數據走向人工智慧 334
- 193. 陳昇瑋 / 人工智慧民主化在台灣 LIMITATIONS OF AI 348
- 194. 陳昇瑋 / 人工智慧民主化在台灣 354
- 195. 陳昇瑋 / 人工智慧民主化在台灣 355
- 197. 陳昇瑋 / 人工智慧民主化在台灣 What we can and cannot today What we can have Safer car, autonomous car Better medical image analysis Personalized medicine Adequate language translation Useful but stupid chatbots Information search, retrieval, filtering Numerous applications in energy, finance, manufacturing, commerce, law, … What we cannot have (yet) Machine with common sense Intelligent personal assistants “Smart” chatbots Household robots Agile and dexterous robots Artificial General Intelligence (AGI) 359 (Credit:Yann LeCun)
- 198. 陳昇瑋 / 人工智慧民主化在台灣 Strong AI Weak AI Can think Own conscious Act as it can think Consciousless (1980)
- 199. 陳昇瑋 / 人工智慧民主化在台灣 364
- 200. 陳昇瑋 / 人工智慧民主化在台灣 Generating adversarial patches against YOLOv2 370 https://www.youtube.com/watch?feature=youtu.be &v=MIbFvK2S9g8&app=desktop
- 201. 陳昇瑋 / 人工智慧民主化在台灣 AI Don’t Know What They are Talking About 372 https://www.facebook.com/playgroundenglish/videos/629372370729430/?hc_ref=ARQ HCaS2GZ9jUgZermEupF5yerADq2X9F9P40OR3n70poUiCy7R0X3oHrGxyLSrWVdI
- 202. Change is the only constant. - Heraclitus (535 BC - 475 BC) (Slide Credit: Albert Chen)
- 203. 陳昇瑋 / 人工智慧民主化在台灣 381 https://www.israel21c.org/food-expiration-dates-are-about-to-undergo-a-revolution/
- 204. 382
- 205. 陳昇瑋 / 人工智慧民主化在台灣 Precision Medicine 384
- 206. 陳昇瑋 / 人工智慧民主化在台灣 385
- 209. 陳昇瑋 / 人工智慧在台灣 AI 寫假新聞 388https://openai.com/blog/better-language-models/
- 210. 陳昇瑋 / 人工智慧在台灣 Tesla Model S 駛入對向車道 389https://www.ithome.com.tw/news/129748
- 211. 陳昇瑋 / 人工智慧民主化在台灣 390(Credit: 李開復, 《AI 新世界》)
- 212. 陳昇瑋 / 人工智慧民主化在台灣 392(Credit: 李開復, 《AI 新世界》)
- 213. 陳昇瑋 / 人工智慧民主化在台灣 393
- 214. 陳昇瑋 / 人工智慧民主化在台灣 人機協作 Camelyon Grand Challenge in 2016 根據切片檢查偵測轉移性乳癌 The Winning Team 深度學習演算法: 92.5％ 病理科醫師: 96.6％ 兩者合作: 99.5％ 人類與機器擅長不同的預測層面 人類與機器犯不同類型的錯。 確認這兩種不同的能力，結合人類與機器的預測來克服這些弱 點，這樣的組合可以大幅減少錯誤率。 402
- 217. 陳昇瑋 / 人工智慧民主化在台灣 AI 所帶來的改變才正開始… 417 2000 2018
- 219. 陳昇瑋