AI創新創業的商業模式與專案風險管理
•
3 gefällt mir•664 views
累積15年AI研發經驗、11年AI專案規劃與提案經驗、5年AI創新創業經驗之經驗整理與分享
Empfohlen
Weitere ähnliche Inhalte
Ähnlich wie AI創新創業的商業模式與專案風險管理
Ähnlich wie AI創新創業的商業模式與專案風險管理 (20)
Mehr von Albert Y. C. Chen
Mehr von Albert Y. C. Chen (18)
AI創新創業的商業模式與專案風險管理
- 1. AI創新創業的商業模式與專案風險管理理 Albert Y. C. Chen, Ph.D. Vice President Viscovery albert@viscovery.com slideshare.net/albertycchen
- 2. Albert Y. C. Chen, Ph.D. 陳彥呈 博⼠士 • 現任 Viscovery 研發副總 台灣⼈人⼯工智慧學校 講師、教材評核委員 台⼤大駭客松、創客松、集思論壇導師 台⼤大資⼯工、台科⼤大創新育成中⼼心 業師 科技部、經濟部AI相關計畫評審委員 英國 Nexus Frontier Tech 顧問 ⽇日本 Cinnamon AI 顧問 • 經歷 2015–2017：Viscovery ⾸首席科學家 2015–2015：美國 Nervve Technologies 主任科學家 2013–2014：美國 Tandent Vision Science 資深電腦視覺科學家 2011–2012：美國 GE Global Research 研發⼈人員 • 學歷 美國 SUNY-Buffalo Computer Science 博⼠士 (電腦視覺、機器學習) 國立清華⼤大學 Computer Science 學⼠士
- 3. 為何冒險創新？ 唯⼀一不變的，就是改變 -Heraclitus (535 BC - 475 BC)
- 4. 為何冒險創新？ 唯⼀一不變的，就是改變 -Heraclitus (535 BC - 475 BC)
- 7. GE 120年年來來不間斷的改變 • 1886: 道瓊⼯工業指數創立，被納入（12間公司僅存GE） • 1889: 發明、開始販售燈泡 • 1919: 收⾳音機 • 1927: 電視機 • 1941: 噴射客機引擎 • 1960: 核能發電 • 1971: 空調 • 1995: 核磁共振
- 8. IBM 半世紀以來來的改變 • 1960s: ⼤大型主機電腦 • 1980s: 個⼈人電腦 • 2000s: 系統整合 • 2020s: ⼈人⼯工智慧
- 9. 半導體業，不⼀一樣吧？
- 12. NVidia 2008 - 2015 @從未起⾶飛的⼿手機處理理器市場
- 13. NVidia 2012 - 2018 @ 快速爆發的科學運算市場
- 15. 孵化「創新」的理理想組織？ 商 務 關 連 學 術 關 連 資源多; 組織龐⼤大, 反應緩慢 資源少; 組織⼩小, 反應快 傳統企業談創新 ⼤大企業的 獨立研究機構 掙扎求⽣生的新創 學界spinoff 微軟研究院 理理想組織 反應速度太慢還是不⾏行行 資源少，有資源少的解法
- 16. 好，我們要創新！ 但...新創、⽂文創，傻傻分不清？ • 新創： • ⼀一個新的商業模式。 • 迅速在特定利利基市場取得 競爭優勢。 • 成功經驗能複製、擴展到 鄰近利利基市場。 • ⽂文創：
- 18. 搞新創不浪漫；每天都在直視死亡
- 20. 你準備好了了嘛？ • 為實踐idea，你有多⼤大的熱忱？願意付出多⼤大的代價？全部 的時間、⾦金金錢、⼈人際關係？ • 你的idea夠破壞性創新嘛？ • 你的business plan是什什麼? • 你的競爭優勢是什什麼？ • 你要如何建立你的進入壁壘壘？
- 22. AI新創解題？專注深耕垂直領域！ (BCG AI Report, 2016/10) 應⽤用層 技術層 基礎層 解決⽅方案 應⽤用平台 算法 & 框架 通⽤用技術 數據 運算能⼒力力 運算能⼒力力 ⼤大量量數據累積、開放數據接⼝口 算法平台 算法平台 通⽤用技術平台 通⽤用技術平台 應⽤用平台 應⽤用平台 應⽤用 應⽤用 應⽤用 應⽤用 應⽤用 硬體 公司 垂 直 應 ⽤用 的 先 驅 農業 製造業 醫療 ⾦金金融 零售 交通 E.g., 1: Google, Amazon, FB, 2: IBM, 3: Walmart, 5: NVidia
- 23. 結合AI專家與特定產業或領域的專業知識，解決該 領域的「痛點」。 • 結合特定領域的專家知識。 • 處理理該領域特有數據。 • AI創造核⼼心價值。 • 提供完整的、end-to-end產品。 • 商務模式要能持續產⽣生數據反饋，幫助AI成長。 垂直領域解題 注意事項
- 24. (Bradford Cross, 2017/06/14) 該選哪個垂直應⽤用？ • 鎖定「潛在市場範圍」 ⼤大、⽑毛利利⾼高。 • 避免「1%謬誤」。 • 避免「確認偏差」。
- 27. 慎選能形成「數據循環」的 問題、UI/UX、商業模式 問題 數據 使⽤用情境 AI 數據循環性 ⼈人臉識別 全世界⽤用⼾戶的⽣生 活照 多數⽤用⼾戶會⾃自⾏行行 更更正標籤 ★★★★★ ⼈人臉識別 全中國監控攝影 機 公安⼿手動修正部 分標籤 ★★★★ ⼈人臉偵測、五官 定位、美肌美顏 使⽤用拍照app的使 ⽤用者 抽檢美肌美顏效 果 ★★ ⼈人臉偵測、虛擬 試妝 使⽤用虛擬試妝app 的使⽤用者 抽檢虛擬試妝效 果 ★★
- 28. 不僅節省成本，更更要創造價值 • 內容審查 • ⾃自我審查，以確保廣告主的品牌安全？ • ⾃自我審查，以利利開拓拓新市場？ • 智慧零售 • 減少Inventory shrinkage（存貨耗損）？ • 降低⼈人⼒力力成本？ • 開過新的市場可能性？
- 29. 低風險 == ⾼高成功率
- 32. 視覺辨識AI，是隻難搞的巨獸
- 33. 即便便電腦視覺能⾃自動校正⾊色溫 [⽩白 ⽩白 ⽩白 ⽩白] [⽩白 紅 紅 ⽩白] [⽩白 紅 紅 ⽩白] [⽩白 ⽩白 ⽩白 ⽩白] 例例，迫使所有蘋果都編碼為： 我們還是得克服這些「仿射映射」問題
- 35. ⼀一⾴頁笑談電腦視覺50年年的奮⾾鬥史 Minsky '66 Guzman ‘68 Ohta & Kanade ‘78 Turk & Pentland ‘91 Lowe ‘04 Krizhevsky '12 SIFT eigenface
- 36. AI、機器學習基於統計，永遠會有例例外 不可能等到完美才投入實際應⽤用 • 1970年年代⾄至今：⼯工業檢測、指紋辨識 • 1980年年代⾄至今：⾞車車牌辨識、全景攝影剪接、醫療影像 • 1990年年代⾄至今：⼈人臉偵測、球賽轉播 • 2000年年代⾄至今：⾃自駕⾞車車、影像剪接、智慧監控系統 • 2010年年代⾄至今：AR/VR、農作物檢測 順序怪怪的？跳來來跳去？正是如此！！
- 47. 無縫全景影像拼接 (SIFT特徵定位+卡可夫隨機場優化) ICM (Iterated Conditional Modes), 1986
- 50. 影像剪接合成
- 51. 影像剪接合成 使⽤用 Alpha-matting 技術 (2000s-now)
- 54. 2005冠軍, Stanley (Stanford) 5公⾥里里/⼩小時 爬過空蕩蕩的沙漠
- 57. 2007 冠軍, Boss (CMU) 21公⾥里里/⼩小時 駛於疏散⼀一空的⼩小鎮
- 71. • 評估：針對垂直應⽤用客製化的弱AI所帶來來的成效 提昇，及其所創造的商業價值。 • 計畫：按「敏捷開發」精神，從低風險到⾼高風險， 逐步導入完整的客製化弱AI。 • 執⾏行行：切割並快速驗證⼦子問題PoC；⾃自建團隊 vs 專業外包；為將來來資料分析做準備。 • Perseverance：⼀一試不成時，是否再試？ AI專案的評估與執⾏行行
- 72. AI專案之評估 ✗ 間接、不顯著的成效，例例如：減少5%竊盜損失、 提昇顧客愉快程度10%、招呼顧客時間快20%。 ✗ 客製研發比例例⾼高，難以標準化、產品化。 ✗ 產品化後，難以打入寡佔市場、出場⽅方式受限。 ✗ 無法以產品技術優勢打市場，淪淪得要打資本戰， 或要靠⼤大量量商務、業務、⼈人脈。
- 73. 評估案例例1：光影偵測修圖功能 Video Tutorial for Tandent Lightbrush: https://vimeo.com/47009123
- 74. 評估案例例2：贊助廣告成效評估
- 77. 評估案例例5：影⾳音內容關連廣告
- 79. AI專案之計畫與執⾏行行 fail early, fail often, fail forward! Build Measure Learn The lean cycle FAIL? Ideate pivot leap of faith MVP Build Measure Learn Start all over again! MVP
- 82. 客製弱AI系統的許多坑 訓練資料少、不具代表性、過度擬合 • 標記的訓練樣本 (training sample) 的變異異性通常 遠少於⺟母體本⾝身 (population) 的變異異性，很容易易 過度擬合 (overfit)。
- 85. 客製的監督式學習弱AI需要： 儘速上線，形成資料循環，快速疊代 • 初上線的監督式學習弱AI⼀一定不完美，但要能知道 不完美在哪，利利⽤用上線後的更更⼤大量量資料反饋、重 新訓練，快速疊代。 • 資料循環，必須在⼀一開始談商務模式時就納入考 量量，否則不完美的初代系統上線後也不會有更更多 資料幫助其進步疊代。 • 初代系統表現不完美時，要有配套措施。
- 86. Merchandise Recognition Retail Ecommerce Media/Ad Face recognition Content related ads Consumer insights Smart Checkout Smart shelf merchandise management o2o redirection Video generator Explicit content filtering Content recommendation 何時該⾃自⼰己做，何時該找外部資源？ 以Viscovery為例例： 核⼼心 vs 周邊 vs 外圍 技術 核⼼心⼀一定⾃自⼰己做 相關周邊考慮⾃自⼰己做 外圍技術⼀一定找協⼒力力
- 87. 奮⾾鬥不懈 還是 冥頑不靈？ 有時，還是要看Timing (Bradford Cross, TedX, 2015/03) 2000 網路路泡沫 2002 2004 2006 2008 2010 2012 2014 2016 房市泡沫寬頻網路路家庭連線 > 50%
- 89. 這是最壞的時代，也是最好的時代 0600120018002400 2014 2015 2016 2017 2018 2019 創造價值 硬體成本 資料收集成本 AI客製成本 • 現在開始磨劍，不⽤用10年年，只要6個⽉月。 • 以前100個AI應⽤用idea只有1個work，現 在100個AI應⽤用idea，有10個能work。 • 只要有差異異性，就有機會創造有獨特競 爭優勢的AI。 Case study on leading e-commerce site in APAC, with 1M SKU and >20M calls/month.
- 90. When something is important enough, you do it even if the odds are not in your favor. Elon Musk Falcon 9 takeoff Falcon 9 decelerate Falcon 9 vertical touchdown