2019/8/10 台灣人工智慧學校演講（中研院/台北) - 彭其捷
•
3 gefällt mir•474 views
市⾯面上的資訊，主要分成三⼤大類 ●意⾒見見領袖：講 AI 的⼤大趨勢與機會 ●媒體與電影：講 AI 未來來可能帶來來的風險 ●技術專家與書籍：講 Python / Deep Learning / 統計學 我覺得，較少給管理理者/經理理⼈人的實務經驗分享資 訊，因此決定了了今天的主題
Empfohlen
Weitere ähnliche Inhalte
Ähnlich wie 2019/8/10 台灣人工智慧學校演講（中研院/台北) - 彭其捷
Ähnlich wie 2019/8/10 台灣人工智慧學校演講（中研院/台北) - 彭其捷 (20)
Mehr von 彭其捷 Jack
Mehr von 彭其捷 Jack (20)
2019/8/10 台灣人工智慧學校演講（中研院/台北) - 彭其捷
- 2. 為什什麼選擇 這個主題？
- 3. Question AI 專案經理理⼈人 / 管理理者 ，要學 Deep Learning 嗎？要學 Python 嗎？要學演算法嗎？
- 4. 博客來來 google『⼈人⼯工智慧』，⼤大多是趨勢 / 技術書籍
- 8. AI 市場主流資訊，主要分成四⼤大類 ● 技術資訊：講 Python / Deep Learning / 統計學..etc ● 意⾒見見領袖：講 AI 的⼤大趨勢與機會 ● 媒體與電影：講 AI 未來來可能帶來來的機會與風險 ● 學術研究：講學術領域的技術突破 獲取資訊後，實際導入專案⼜又會有⼀一番體悟，⽽而我覺得市⾯面上 較少管理理者/經理理⼈人的實務經驗分享，因此決定了了今天的主題
- 11. 相關教學 / 演講 / 經歷 11 ● 清華⼤大學：AI 與體驗設計講師 ● 台灣⼤大學：⼤大數據與視覺化講師 ● 國泰集團：資料視覺化 UX 設計 - 企業內訓講師 ● 科智公司：資料視覺化 - 企業內訓講師 ● 2017 資料科學年年會：資料視覺化主題 Speaker ● KKDAY：Tableau 視覺化軟體 - 企業內訓講師 ● 台灣鐵路路局：新興科技與 UX - 企業內訓講師 ● 中原⼤大學：前端⼯工程與RWD設計 - 課程講師 ● 東吳⼤大學：EMBA 科技與群眾募資課程講師 ● ⽟玉⼭山科技論壇：團隊對談講師 ● 交通部：跨多單位體驗設計講師 ● 資策會：創新樂活服務設計⼯工作坊 - 主導講師 ● 環保署：跨單位服務設計講師 ● 天地⼈人：資料視覺化課程講師 ● YOTTA：設計思考課程講師
- 12. 12
- 13. 相關著作 13
- 14. 專案經歷：環保署透過 IoT + AI 糾舉惡惡意排放⼯工廠 14
- 16. 16
- 18. 18
- 19. 19 2018 年年空氣品質 AI 預測服務 上線記者會
- 23. 全國測站建模數據（透過 2007 ~ 2016 超過 500 萬筆訓練資料） 環保署 國家級測站資料，單⼀一測站每天每⼩小時的資料 累積 10 年年，總共超過 600 萬 筆資料進⾏行行運算 使⽤用資料
- 24. 機器學習空氣污染預測：團隊組成 我 / Me / 專案經理理⼈人 客⼾戶：還保署 公司老闆 AI ⼯工程師 領域專家 業務需求 專案⽅方針 AI 技術 專業知識
- 27. #1 技術提升 AI Knowledge / Algorithm
- 28. QuestionABOUT ME 關於我經理理⼈人 / 管理理者 / PM 需要了了解相關技術議題嗎？ 28
- 32. 經理理⼈人：可投資⼯工程師 10% 的時間，先掌握 AI 技術概念念 1% 3% 100% 理理解基 礎概念念 理理解運 算原理理 與參參數 了了解⽅方法 特性與適 ⽤用性 能夠實作算法、修改 程式碼並進反覆實驗 10% 專案經理理⼈人 AI ⼯工程師 投資時 間比例例
- 34. More is Better：經理理⼈人技術深化的⽅方法 ● 先了了解特定的⼤大分類（不要想說什什麼都學） ● google ⼤大神就很多好⽤用知識 ● 上線上課程（因為講的好很重要） ● 與⼯工程師更更多互動，打破砂鍋問到底 ● 透過相關論⽂文學習（也可專注看 Abstract / Summary 的說明）
- 35. 範例例：信⽤用卡詐欺 AI 專案（Google Search） 為了了避免這些狀狀況，⼈人⼯工智慧利利⽤用使⽤用者過去消費紀錄， 進⾏行行刷卡⾦金金額、店舖特性等的分析，甚⾄至拿已確認的詐騙 紀錄作為樣本，如此更更能準確地辨識出盜刷的消費紀錄， 也提升整體作業的效率。 舉例例來來說：銀⾏行行統計客⼾戶⼩小美過去只會使⽤用信⽤用卡做⽇日常 ⽤用品的消費，然⽽而某天這張信⽤用卡卻被使⽤用在⾼高級珠寶 店，銀⾏行行就可容易易地判定這筆交易易有盜刷的嫌疑，因⽽而向 ⼩小美與店家進⾏行行多重確認。 https://scitechvista.nat.gov.tw/c/sTkv.htm
- 36. 範例例：信⽤用卡詐欺 AI 專案（Google Scholar）
- 37. 範例例：信⽤用卡詐欺 AI 專案（Online Learning） https://www.udemy.com/topic/fraud-analytics/ 許多 AI 技術都有 基礎線上課程可以 上，可以在短時間 ⾼高效學習
- 39. QuestionABOUT ME 關於我只要擁有⾼高深的 AI 技術，就 能設計出良好的各類 AI 嗎？ 39
- 40. 黃世傑：業餘棋⼠士六段
- 43. 特徵⼯工程（1/3） 經理理⼈人的重要職責 即抓影響參參數、抓影響因⼦子、抓影響範 圍，因為 AI ⼯工程師通常不懂這些領域知識...etc 抓特徵
- 44. 特徵⼯工程（2/3） Feature Engineering 是把 raw data 轉換成 features 的整個過程的總稱。基本上特徵⼯工程就 是個⼿手藝活，講求的是創造⼒力力。 https://vinta.ws/code/feature-engineering.html
- 46. 領域專家 擅長某⼀一特定⾏行行業或垂直⾏行行業，領域專家所 提供的訊息，可⽤用來來作為進⾏行行 AI 計算、機 器學習演算法設計、數據註釋資料標記等關 鍵任務。 ☆ 領域專家通常不懂 AI 空污 專家 某製程 專家 半導體 專家 圍棋 專家 ...etc 育兒 專家
- 47. AI 專案，常需要引入領域專家知識幫助優化 AI V1：線性迴歸 前 30 ⼩小時 PM2.5 變化 前 13 ⼩小時 & 未 來來 12 ⼩小時之 天氣變化 交通⾞車車流之上下 班時間 Final ⽅方法 空氣品 質專家 氣象 專家 環境 專家
- 48. 訪問領域專家：來來取得數據特徵 根據：空污歷史數據，納入前 30 ⼩小時狀狀態進⾏行行建模 前 30 ⼩小時、前 29 ⼩小時、前 28 ⼩小時 …. … 前 3 ⼩小時、前 2 ⼩小時、前 1 ⼩小時 可將⽩白天晚上週期影響納入考量量 根據：天氣歷史數據，納入 13 ⼩小時單位進⾏行行建模 風速：前 13 ⼩小時、前 12 ⼩小時 …. 、前 1 ⼩小時 風向：前 13 ⼩小時、前 12 ⼩小時 …. 、前 1 ⼩小時 溫度：前 13 ⼩小時、前 12 ⼩小時 …. 、前 1 ⼩小時 降雨：前 13 ⼩小時、前 12 ⼩小時 …. 、前 1 ⼩小時 考慮連續的歷史氣象特徵變化 納入：未來來12⼩小時天氣 納入：未來來 12 ⼩小時的天氣狀狀況，比對過去的歷史數據，進 ⾏行行污染的預設 AQI 70 AQI 33 AQI 12
- 50. #3 紀錄能⼒力力 Taking Note > Learning
- 51. AI 專案進⾏行行過程，不斷會有許多跨領域術語 AI ⼯工程師 / 領域專家 老闆 / 客⼾戶AI 經理理⼈人 吸收、消化、 解讀、產⽣生⾏行行 動⽅方案
- 53. Record Everything / Record Detail 紙筆紀錄有時會 太慢，特徵與技 術名詞稍縱即逝 務必錄⾳音 / 錄 影下來來，可反 覆播放 Skype 錄影功能
- 55. 氣象領 域專家 Me
- 57. #4 視覺⼯工具 Visual Tool Skill
- 59. 視覺：可幫助更更清楚呈現 AI 效果 AI 計算結果，⼤大多為 資料、數值、數據 視覺化後，更更適合⼈人類⼤大 腦進⾏行行判讀 演算法設計 反饋意⾒見見
- 61. 將 AI 產出視覺：可幫助我們洞洞察數據狀狀態 發現有⼀一天預測 非常不準，影響 overall AI 預 測效能 Y軸 預計 誤差 X軸 時序
- 66. 通常⼯工程師的產出：是序列列化的數值（2/2） 空氣品質：預測 17:00 之後的數值 {"station": "u53e4u4ead", "datetime": "2018-09-20 16:00:00", "pred_1": 39.72, "pred_2": 42.9, "pred_3": 40.14, "pred_4": 39.45, "pred_5": 39.42, "pred_6": 35.49, "pred_7": 36.38, "pred_8": 34.85, "pred_9": 31.99, "pred_10": 30.96, "pred_11": 27.22, "pred_12": 28.12, "pred_13": 25.57, "aqi_12hr_4hr_avg_1": 112.0, "aqi_12hr_4hr_avg_2": 112.0, "aqi_12hr_4hr_avg_3": 103.0, "aqi_12hr_4hr_avg_4": 107.0, "aqi_12hr_4hr_avg_5": 110.0, "aqi_12hr_4hr_avg_6": 110.0, "aqi_12hr_4hr_avg_7": 110.0, "aqi_12hr_4hr_avg_8": 109.0, "aqi_12hr_4hr_avg_9": 105.0, "aqi_12hr_4hr_avg_10": 102.0, "aqi_12hr_4hr_avg_11": 96.0, "aqi_12hr_4hr_avg_12": 93.0, "aqi_12hr_4hr_avg_13": 90.0, "error_bound_t4": 8.54762, "error_bound_t7": 11.756, "error_bound_t8": 12.9405, "error_bound_t12": 16.0833, "error_bound_t6": 10.7738, "error_bound_t9": 13.6905, "error_bound_t5": 9.625, "error_bound_t13": 16.6964, "error_bound_t10": 14.5774, "error_bound_t1": 0.434524, "error_bound_t3": 6.36905, "error_bound_t2": 1.125, "error_bound_t11": 15.3095, "pollute_6": "PM2.5", "pollute_10": "PM2.5", "pollute_12": "PM2.5", "pollute_11": "PM2.5", "pollute_3": "PM2.5", "pollute_4": "PM2.5", "pollute_1": "O3", "pollute_7": "PM2.5", "pollute_9": "PM2.5", "pollute_2": "O3", "pollute_5": "PM2.5", "pollute_8": "PM2.5", "pollute_13": "PM2.5"} "
- 67. 經常需透過：Excel / Tableau 將數據產出視覺化
- 69. 反饋速度較慢且不準確 其實請⼯工程師幫忙視覺化也可以，但是... 他不⼀一定能做出你要的視覺 source: 8 Popular Types of Data Visualizations in Python AI ⼯工程師專案經理理⼈人 每個視覺檢視產出速度較慢，且如 果每個測試結果、產出都依賴⼯工程 師，也會導致⼯工程師⾓角⾊色上會有球 員兼裁判的可能性
- 71. #5 團隊⼠士氣 Morale / Encouragement / Team Building
- 72. AI 專案 的⾼失敗率
- 73. 圖來來源：https://hbr.org/2018/07/collaborative-intelligence-humans-and-ai-are-joining-forces AI ⼯工程師 領域專家 組織老闆 服務⽤用⼾戶
- 78. https://www.wired.co.uk/article/yuval-noah-harari- extract-21-lessons-for-the-21st-century 溝通與⿎舞團隊的能 ⼒，我認為是 AI 專案 經理⼈的關鍵能⼒， 這涉及到許多的溝通 能⼒，以及引領團隊 ⼠氣持續⾼漲的關 鍵，可以持續從失敗 中吸取教訓，繼續前 進 部⾨門 主管 投資 ⼈人 AI ⼯工程師 領域 專家 經理理⼈人
- 79. 結論
- 82. 最後的快問快答 團隊內沒有 AI 經驗的⼈人，該如何開始呢？Q1 必須要有找經驗的⼈人作統籌的經理理⼈人（AI 專案關鍵：⼈人） 有⼈人之後，會遇到的第⼀一個挑戰？Q3 必須找到值得團隊冒險的願景題⽬目，並且確認有資料可以做 AI 如何找到 Q1 的⼈人呢？Q2 組織品牌 / ⾼高薪 / 價值理理念念號召 / 出⾊色的學⽣生 / 社群網站 AI 專案的整體流程 / 時程為何呢？Q4 團隊形成 > 資料整理理 > 特徵⼯工程 > 實驗產出 > 不斷循環 細節則需要另⼀一場分享來來做完整說明
- 83. 有問題也可與我聯聯絡 / 加入我的 FB / Email 給我 Ps. 如果有加入 FB 記得告訴我你是來來上課的⼈人 THE END foxfirejack@gmail.com