1.
台灣人工智慧學校台中分校
第一期結業典禮
主辦單位: 財團法人科技生態發展公益基金會
台灣資料科學協會
執行單位: 財團法人人工智慧科技基金會
協辦單位: 中央研究院資訊科學研究所 / 資訊科技創新研究中心
贊助企業: 台塑企業、奇美實業、英業達集團、
義隆電子、聯發科技、友達光電
台中分校策略夥伴: 臺中市工商發展投資策進會、大肚山產創基金會
台中分校協辦單位: 中亞聯大、東海大學、逢甲大學

2.
貴賓致詞

3.
校長致詞

4.
8/18 開學典禮
4

5.
5

6.
6

7.
7

8.
逐漸地對人工智慧越來越熟悉

9.
今天

10.
9/2 台北總校第二期結業典禮
11

11.
9/29 台北總校第三期開學典禮
12

12.
9/27 與中山大學簽訂南部分校經理人班
13

13.
14
南部分校經理人班 (中山大學國研大樓)

14.
15
南部分校經理人班 (中山大學國研大樓)

15.
11/17 第一屆校友年會
16

16.
2018/11/17
校友

17.
12/8 新竹分校二期開學典禮
18

18.
19
http://aiacademy.tw/offsite-problem-solving/

19.
台灣人工智慧學校招生中…
20
台北第四期
截止: 1/8
開學: 2/23
新竹第三期
截止: 3/19
開學: 5/4
台中第三期
截止: 4/16
開學: 6/1
南部第一期
截止: 2/15
開學: 3/16
400 學員 x 每年 3 期 x 4 校區
= 每年培養 4800 AI 工程師 / 經理人

20.
陳昇瑋 / 人工智慧民主化在台灣
ADVICES FOR
AI DEPLOYMENT
21

21.
陳昇瑋 / 人工智慧民主化在台灣
人工智慧導入進程
22
成功
案例
開放
文化
資料
生態
技術
工具
流程
整合
先以成功案例
來創造價值及
營造信心
打破部門間的
隔閡，讓資料
可以分享及集
中處理
選擇正確的人
工智慧技術工
具，建立團隊
或尋找技術伙
伴
讓人工智慧技
術成為工作流
程的一部分
人與人工智慧
協同增進生產
力

22.
陳昇瑋 / 人工智慧民主化在台灣
State of AI In The Enterprise, 2018
23
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.

23.
陳昇瑋 / 人工智慧民主化在台灣
State of AI In The Enterprise, 2018
24

24.
陳昇瑋 / 人工智慧民主化在台灣
State of AI In The Enterprise, 2018
25

25.
26

26.
陳昇瑋 / 資料科學人才的養成
Major Roles in an AI Team
28
Product Manager Data Scientist
Machine Learning
Engineer
Data Engineer

27.
陳昇瑋 / 資料科學人才的養成 29
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

28.
陳昇瑋 / 從大數據走向人工智慧

29.
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？
32
巧克力消耗量 vs. 諾貝爾得獎數
淡旺季 vs. 票價

30.
陳昇瑋 / 資料科學人才的養成 33

31.
陳昇瑋 / 資料科學人才的養成 34

32.
陳昇瑋 / 資料科學人才的養成
領域知識超級重要
如何有效地增加裝甲來保護二戰同盟國的轟炸機？
進行實驗是可行的做法，但是成本很高，飛行員可能
喪命。
35
每架轟炸機到德國上空執行轟炸攻擊之
後返航，工程師都能看到哪些地方遭到
防空砲火攻擊。機身上的彈孔就是他們
的數據。
彈孔就是更要保護飛機的好地方嗎？

33.
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。
36https://rocket.cafe/talks/84164

34.
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
38
全文網址

35.
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
39

36.
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
40

37.
陳昇瑋 / 從大數據走向人工智慧
持續的團隊支援
41
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)

38.
陳昇瑋 / 從大數據走向人工智慧
Perception:
ML products are mostly about ML
42

39.
陳昇瑋 / 從大數據走向人工智慧
Reality: ML requires DevOps, lots of it
43

40.
Why many AI projects failed?
沒有找到對的題目
沒有找到對的人
沒有所需的資料
資料品質欠佳
拿不到需要的資料 (Data Silo)
第一個目標設定太大 (過高的期待)
無法進行實驗
作業流程不能改變
過早要求 ROI

41.
陳昇瑋 / 人工智慧民主化在台灣
機器學習不是萬能解藥
49
問題的
診斷
處方簽
複雜
單純
複雜
單純
敘述統計
診斷分析
A/BTest
機器學習
機器學習
+ A/BTest

42.
陳昇瑋 / 人工智慧民主化在台灣
美國財政部稅務催繳信
50

43.
陳昇瑋 / 人工智慧民主化在台灣
稅務催繳信改善
51

44.
陳昇瑋 / 人工智慧民主化在台灣 52

45.
陳昇瑋 / 人工智慧民主化在台灣 53

46.
陳昇瑋 / 人工智慧民主化在台灣
12/16/2018
5
4
https://blog.optimizely.com/2015/06/04/ecommerce-conversion-optimization-case-studies/

47.
陳昇瑋 / 人工智慧民主化在台灣

48.
陳昇瑋 / 人工智慧民主化在台灣
LIMITATIONS OF AI
58

49.
63

50.
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)
65

51.
Change is the only constant.
- Heraclitus (535 BC - 475 BC)
(Slide Credit: Albert Chen)

52.
陳昇瑋 / 人工智慧民主化在台灣 81
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

53.
陳昇瑋 / 人工智慧民主化在台灣 82
https://www.israel21c.org/food-expiration-dates-are-about-to-undergo-a-revolution/

54.
陳昇瑋 / 人工智慧民主化在台灣 83

55.
陳昇瑋 / 人工智慧民主化在台灣
Precision Medicine
84

56.
陳昇瑋 / 人工智慧民主化在台灣 85(Credit: 李開復, 《AI 新世界》)

57.
陳昇瑋 / 人工智慧民主化在台灣 87(Credit: 李開復, 《AI 新世界》)

58.
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。
88

59.
陳昇瑋 / 人工智慧民主化在台灣
machine-learning model from 30,000+ deals from the last decade that draws from
many sources, including Crunchbase, Mattermark, and PitchBook Data. For each deal,
we looked at whether a team made it to a series-A round by exploring 400 features and
identified 20 features as most predictive of future success.
One of the insights we uncovered is that start-ups that failed to advance to series A had
an average seed investment of $0.5 million, and the average investment for start-ups
that advanced to series A was $1.5 million.
Another example insight came from analyzing the background of founders, which
suggests that a deal with two founders from different universities is twice as likely to
succeed as those with founders from the same university.
from the 2015 cohort of seed-stage companies, 16 percent of all seed-stage companies
backed by VCs went on to raise series-A funding within 15 months. By comparison, 40
percent of recommended by ML (2.5 times improvement)
Human + AI would yield the best performance: 3.5 times the industry average
89
https://www.mckinsey.com/industries/high-tech/our-insights/a-machine-learning-
approach-to-venture-capital

60.
陳昇瑋 / 人工智慧民主化在台灣
AI 發展才正開始
今天的 AI 如同 1994 年的 World Wide Web
今天學 ML 可能如同 1994 年學寫 HTML and CGI
技術快速進展及堆疊，這是最值得投資技術的時代
AI 在許多領域有殺手級應用，是技術人投入重點領域的黃
金時代
AI 不會在這裡停住，AI 技術才剛開始發展
95

61.
感謝
• 蔡明順校務主任
• 行政及助教同仁
• 超過 40 位講師及演講者
• 台塑企業、奇美實業、英業達集團、義隆電子、聯發科技、友達光電
• 國立交通大學、亞洲大學、逢甲大學、東海大學、國立中山大學
• 企業夥伴、學術夥伴
• 中央／地方政府、法人及企業
• …

62.
謝謝你

63.
台灣人工智慧學校
產業 AI 化 實戰部隊訓練領域專家 + AI 經理人升級
從人才培育開始，
讓台灣在 AI 世代更具競爭力。