Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

[台灣人工智慧學校] 人工智慧民主化在台灣

1,861 views

Published on

2018/05/12

Published in: Data & Analytics
  • Be the first to comment

[台灣人工智慧學校] 人工智慧民主化在台灣

  1. 1. 人工智慧民主化在台灣 讓人工智慧在台灣深化,帶動產業發展 陳昇瑋 台灣人工智慧學校執行長
  2. 2. 3 中央研究院資訊所 研究員 台灣人工智慧學校 執行長 玉山金融控股公司 科技長 台灣資料科學協會 理事長 人工智慧科技基金會 執行長 科技生態發展公益基金會 執行長
  3. 3. 陳昇瑋 / 人工智慧民主化在台灣 Since 2002 (my first PhD year) … PhD dissertation: based on a 20-hour game packet trace Collaboration & Consulting 製造業 電信業 社群網路 / 遊戲 銀行 / 壽險 / 電子票証 中央 / 地方政府 資料分析這條路 11
  4. 4. Change is the only constant - Heraclitus (535 BC - 475 BC) (Slide Credit: Albert Chen)
  5. 5. 陳昇瑋 / 人工智慧民主化在台灣 15
  6. 6. 陳昇瑋 / 人工智慧民主化在台灣 AlphaZero: One Algorithm, Three Games 16 Mastering Chess and Shogi by self play with reinforcement learning Master Chess and Shogi by self play with reinforcement learning (Slide Credit: Google)
  7. 7. 陳昇瑋 / 人工智慧民主化在台灣 17(Slide Credit: Google)
  8. 8. 作者們用同樣的算法設定、網絡架構和超參數(只有剛剛說到的噪聲大小不 同),分別訓練了下國際象棋、日本象棋、圍棋的三個 AlphaZero 實例。訓 練從隨機初始化的參數開始,步數一共是 70 萬步,mini-batch 大小 4096; 5000 個第一代 TPU 用來生成自我對局,64 個第二代 TPU 用來訓練神經網絡 (注:第二代 TPU 的存儲器帶寬更高)。 18
  9. 9. 陳昇瑋 / 人工智慧民主化在台灣 19 MACHINE LEARNING
  10. 10. ML Arxiv Papers per Year (Slide Credit: Google Brain)
  11. 11. 陳昇瑋 / 人工智慧民主化在台灣 Machine Learning 22 A type of algorithms that gives computers the ability to learn rules from experience, rather than being hard coded. 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. 12. 23
  13. 13. 24
  14. 14. 陳昇瑋 / 人工智慧民主化在台灣 博藍尼悖論(Polanyi's Paradox) 25 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。
  15. 15. 陳昇瑋 / 人工智慧民主化在台灣 Let the machine learn by itself 你好 大家好 人帥真好 You said “你好” A large amount of audio data You only have to write the learning algorithm ONCE Derive rules from datasets (Slide Credit: Hung-Yi Lee)
  16. 16. 陳昇瑋 / 人工智慧民主化在台灣 Patterns learned by machine 27
  17. 17. 陳昇瑋 / 人工智慧民主化在台灣 Multi-layer patterns learned from faces 28
  18. 18. 陳昇瑋 / 人工智慧民主化在台灣 A Gaydar 29 Based on 35,000 facial images Human judges: 61% for men, 54% for women AI judges: 91% for men, 83% for women A heat map of where the algorithm looks to detect signs of homosexuality (Kosinski and Wang) https://osf.io/zn79k/
  19. 19. 陳昇瑋 / 人工智慧民主化在台灣 Composite hetero- and homo-sexual faces 30
  20. 20. 陳昇瑋 / 人工智慧民主化在台灣 (Slide Credit: Hung-Yi Lee)
  21. 21. 陳昇瑋 / 人工智慧民主化在台灣 32
  22. 22. 陳昇瑋 / 人工智慧民主化在台灣 33
  23. 23. 34http://technews.tw/2017/05/05/updating-google-maps-with-deep-learning-and-street-view/
  24. 24. 陳昇瑋 / 人工智慧民主化在台灣 36
  25. 25. 陳昇瑋 / 人工智慧民主化在台灣 38
  26. 26. 陳昇瑋 / 人工智慧民主化在台灣 Deep learning can be highly flexible • Speech Recognition • Handwritten Recognition • Playing Go • Dialogue System ( )=*f ( )=*f ( )=*f ( )=*f “2” “Morning” “5-5” “Hello”“Hi” (what the user said) (system response) (step) (Slide Credit: Hung-Yi Lee)
  27. 27. 陳昇瑋 / 人工智慧民主化在台灣 Deep Learning is a subset of Representation Learning 40
  28. 28. 陳昇瑋 / 人工智慧民主化在台灣 機器學習適合什麼任務? 規模巨大、明確定義且有足夠因果關係的輸 入 (X) 和輸出 (Y) 資料 任務提供明確的反饋,且能進行大量模擬 不需豐富背景知識或很長的邏輯/推理鏈 容錯性,不需要完全解決方案 學習的現象或功能不隨著時間快速變化 41
  29. 29. 陳昇瑋 / 人工智慧民主化在台灣 這些例子為什麼適合或不適合機器學習? 預測颱風走向 預測地震 玩德州撲克 批改作文 撰寫作文 預測股市 醫療診斷 安慰病人 推銷產品 創業點子 找出恐怖份子 當立法委員 42
  30. 30. 陳昇瑋 / 從大數據走向人工智慧 DEEP NEURAL NETWORKS: AN EXTREMELY SHORT TUTORIAL 45
  31. 31. 陳昇瑋 / 從大數據走向人工智慧 Human Brains (Slide Credit: Hung-Yi Lee)
  32. 32. 47 An Artificial Neuron z 1w 2w Nw … 1x 2x Nx + b ( )zσ ( )zσ zbias a ( ) z e z − + = 1 1 σ Sigmoid function Each neuron is a function Activation function (Slide Credit: Hung-Yi Lee)
  33. 33. Artificial Neural Network ( )zσ+ ( )zσ+ ( )zσ+ ( )zσ+ (Slide Credit: Hung-Yi Lee)
  34. 34. 陳昇瑋 / 從大數據走向人工智慧 Output LayerHidden Layers Input Layer Fully Connect Feedforward Network Input Output 1x 2x Layer 1 …… Nx …… Layer 2 …… Layer L …… …… …… …… …… y1 y2 yM Deep means many hidden layers neuron (Slide Credit: Hung-Yi Lee)
  35. 35. 𝜎𝜎 Matrix Operation 2y 1y1 -2 1 -1 1 0 4 -2 0.98 0.12 1 −1 1 −2 −1 1 + 1 0 0.98 0.12 = 1 -1 4 −2 (Slide Credit: Hung-Yi Lee) 𝜎𝜎
  36. 36. 1x 2x …… Nx …… …… …… …… …… …… …… y1 y2 yM Neural Network W1 W2 WL b2 bL x a1 a2 y b1 W1 x +𝜎𝜎 b2 W2 a1 +𝜎𝜎 bL WL +𝜎𝜎 aL-1 b1 (Slide Credit: Hung-Yi Lee)
  37. 37. = 𝜎𝜎 𝜎𝜎 1x 2x …… Nx …… …… …… …… …… …… …… y1 y2 yM Neural Network W1 W2 WL b2 bL x a1 a2 y y = 𝑓𝑓 x b1 W1 x +𝜎𝜎 b2 W2 + bL WL +… b1 … Using parallel computing techniques to speed up matrix operation (Slide Credit: Hung-Yi Lee)
  38. 38. Output Layer as Multi-Class Classifier …… …… …… …… …… …… …… …… y1 y2 yM Kx Output LayerHidden Layers Input Layer x 1x 2x Feature extractor replacing feature engineering = Multi-class Classifier Softmax (Slide Credit: Hung-Yi Lee)
  39. 39. Example Application Input Output 16 x 16 = 256 1x 2x 256x …… Ink → 1 No ink → 0 …… y1 y2 y10 Each dimension represents the confidence of a digit. is 1 is 2 is 0 …… 0.1 0.7 0.2 The image is “2” (Slide Credit: Hung-Yi Lee)
  40. 40. Example Application • Handwriting Digit Recognition Machine “2” 1x 2x 256x …… …… y1 y2 y10 is 1 is 2 is 0 …… What is needed is a function …… Input: 256-dim vector output: 10-dim vector Neural Network (Slide Credit: Hung-Yi Lee)
  41. 41. (Credit: Deep Learning Book)
  42. 42. 陳昇瑋 / 從大數據走向人工智慧 TensorFlow Playground http://playground.tensorflow.org/
  43. 43. Modularization • Deep → Modularization 1x 2x …… Nx …… …… …… …… …… …… The most basic classifiers Use 1st layer as module to build classifiers Use 2nd layer as module …… The modularization is automatically learned from data. → Less training data? (Slide Credit: Hung-Yi Lee)
  44. 44. Modularization - Image • Deep → Modularization 1x 2x …… Nx …… …… …… …… …… …… The most basic classifiers Use 1st layer as module to build classifiers Use 2nd layer as module …… Reference: Zeiler, M. D., & Fergus, R. (2014). Visualizing and understanding convolutional networks. In Computer Vision–ECCV 2014 (pp. 818-833) (Slide Credit: Hung-Yi Lee)
  45. 45. 陳昇瑋 / 從大數據走向人工智慧 Multi-layer patterns learned from faces 63 (Credit: https://www.slideshare.net/WillStanton/deep-learning-with-text-v4)
  46. 46. 陳昇瑋 / 從大數據走向人工智慧 Multi-layer patterns learned from faces 64(Credit: Deep Learning Book)
  47. 47. Fat + Short v.s. Thin + Tall 1x 2x …… Nx Deep 1x 2x …… Nx …… Shallow Which one is better? The same number of parameters (Slide Credit: Hung-Yi Lee)
  48. 48. Fat + Short v.s. Thin + Tall Seide, Frank, Gang Li, and Dong Yu. "Conversational Speech Transcription Using Context-Dependent Deep Neural Networks." Interspeech. 2011. Layer X Size Word Error Rate (%) Layer X Size Word Error Rate (%) 1 X 2k 24.2 2 X 2k 20.4 3 X 2k 18.4 4 X 2k 17.8 5 X 2k 17.2 1 X 3772 22.5 7 X 2k 17.1 1 X 4634 22.6 1 X 16k 22.1 (Slide Credit: Hung-Yi Lee)
  49. 49. 陳昇瑋 / 網路購書大數據 Deep models tend to perform better 67
  50. 50. A Straightforward Answer • Do Deep Nets Really Need To Be Deep? (by Rich Caruana) • http://research.microsoft.com/apps/video/default.aspx?id= 232373&r=1 keynote of Rich Caruana at ASRU 2015 (Slide Credit: Hung-Yi Lee)
  51. 51. 陳昇瑋 / 網路購書大數據 Deep Neural Networks 69 1. Deep = many layers 2. Deep = hierarchical of concepts
  52. 52. 70
  53. 53. 陳昇瑋 / 人工智慧民主化在台灣 AI Winter (1970-1980, 1990-2000) https://www.mynewsdesk.com/toshiba-global/blog_posts/bringing-the-new-ai-era-to-life-the- researchers-creating-toshibas-technologies-55589
  54. 54. 陳昇瑋 / 人工智慧民主化在台灣 1958: Perceptron (linear model) 1969: Perceptron has limitation 1980s: Multi-layer perceptron Do not have significant difference from DNN today 1986: Backpropagation Usually more than 3 hidden layers is not helpful 1989: 1 hidden layer is “good enough”, why deep? 2006: RBM initialization 2009: GPU 2011: Start to be popular in speech recognition 2012: win ILSVRC image competition 2015.2: Image recognition surpassing human-level performance 2016.3: Alpha GO beats Lee Sedol 2016.10: Speech recognition system as good as humans Ups and downs of Deep Learning (Slide Credit: Hung-Yi Lee)
  55. 55. What was actually wrong with backprop in 1986? We all drew the wrong conclusions about why it failed. The real reasons were: Our labeled datasets were thousands of times too small. Our computers were millions of times too slow. We initialized the weights in a stupid way. We used the wrong type of non-linearity. 73 (Credit: Geoff Hinton,What Was ActuallyWrongWith Backpropagation in 1986?)
  56. 56. 人工智慧近年突破的主因之一:運算能力 74 手寫數字辨識 in 1993 影像物件辨識 2016 https://pjreddie.com/darknet/yolo/
  57. 57. 陳昇瑋 / 從大數據走向人工智慧 Deep Neural Networks (DNN) are way more complex and capable! (Slide Credit: AlbertY. C. Chen)
  58. 58. 8 layers 19 layers 22 layers AlexNet (2012) VGG (2014) GoogleNet (2014) 16.4% 7.3% 6.7% http://cs231n.stanford.e du/slides/winter1516_lec ture8.pdf Deep Neural Networks (Slide Credit: Hung-Yi Lee)
  59. 59. AlexNet (2012) VGG (2014) GoogleNet (2014) 152 layers 3.57% Residual Net (2015) Taipei 101 101 layers 16.4% 7.3% 6.7% Deep Neural Networks Special structure Ref: https://www.youtube.com/watch?v= dxB6299gpvI (Slide Credit: Hung-Yi Lee)
  60. 60. 陳昇瑋 / 從大數據走向人工智慧 What do CNNs learn? Neurons act like “custom-trained filters”; react to very different visual cues, depending on data. (Slide Credit: AlbertY. C. Chen)
  61. 61. 陳昇瑋 / 從大數據走向人工智慧 What do CNNs learn? Neurons act like “custom-trained filters”; react to very different visual cues, depending on data. (Slide Credit: AlbertY. C. Chen)
  62. 62. 陳昇瑋 / 從大數據走向人工智慧 99
  63. 63. 陳昇瑋 / 從大數據走向人工智慧 Edge & Blob 100 http://vision03.csail.mit.edu/cnn_art/data/single_layer.png (like receptive fields inV1 neurons)
  64. 64. 陳昇瑋 / 從大數據走向人工智慧 Texture 101 http://vision03.csail.mit.edu/cnn_art/data/single_layer.png
  65. 65. 陳昇瑋 / 從大數據走向人工智慧 Object Parts 102 http://vision03.csail.mit.edu/cnn_art/data/single_layer.png
  66. 66. 陳昇瑋 / 從大數據走向人工智慧 Object Classes 103 http://vision03.csail.mit.edu/cnn_art/data/single_layer.png
  67. 67. 陳昇瑋 / 人工智慧民主化在台灣 BEYOND SUPERVISED ORDINARY PREDICTION 106 BEYOND PREDICTION MODELING
  68. 68. Sheng-Wei Chen / From Data Science to Artificial Intelligence Time series forecasting 107
  69. 69. 陳昇瑋 / 人工智慧民主化在台灣 108
  70. 70. 陳昇瑋 / 人工智慧民主化在台灣 STRUCTURED LEARNING 109
  71. 71. 陳昇瑋 / 人工智慧民主化在台灣 110
  72. 72. 陳昇瑋 / 人工智慧民主化在台灣 111
  73. 73. 陳昇瑋 / 人工智慧民主化在台灣 112
  74. 74. 陳昇瑋 / 人工智慧民主化在台灣 Auto Coloring 113 https://paintschainer.preferred.tech/index_zh.html https://zhuanlan.zhihu.com/p/24712438
  75. 75. 陳昇瑋 / 人工智慧民主化在台灣 Colorful Image Colorization 114 Zhang, Richard, Phillip Isola, and Alexei A. Efros. "Colorful image colorization." European Conference on Computer Vision. Springer International Publishing, 2016.
  76. 76. 陳昇瑋 / 人工智慧民主化在台灣 Colorful Image Colorization 115 http://richzhang.github.io/colorization/ A 313-class classification problem Input: 224x224x1 (L) Model output: 64x64x313 Pixel values: annealed mean of 313 colors
  77. 77. 陳昇瑋 / 人工智慧民主化在台灣 Colorizing Legacy Photos 116
  78. 78. 陳昇瑋 / 人工智慧民主化在台灣 GENERATIVE MODELS 117
  79. 79. 陳昇瑋 / 人工智慧民主化在台灣 Generative Adversarial Networks 118
  80. 80. 陳昇瑋 / 人工智慧民主化在台灣 Truth vs. Generated Samples 119 https://metacademy.org/roadmaps/rgrosse/deep_learning
  81. 81. 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
  82. 82. 陳昇瑋 / 人工智慧民主化在台灣 100 rounds (Slide Credit: Hung-Yi Lee) Anime Girl Face Generation
  83. 83. 1000 rounds (Slide Credit: Hung-Yi Lee) Anime Girl Face Generation
  84. 84. 5000 rounds (Slide Credit: Hung-Yi Lee) Anime Girl Face Generation
  85. 85. 50,000 rounds (Slide Credit: Hung-Yi Lee) Anime Girl Face Generation
  86. 86. 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
  87. 87. NN Generator v1 Discri- minator v1 NN Generator v2 Discri- minator v2 NN Generator v3 Discri- minator v3 Real poems: 床前明月光,疑似地上霜,舉頭望明月,低頭思故鄉。 哈哈哈哈哈… 低頭吃便當… 春眠不覺曉… (Slide Credit: Hung-Yi Lee) WGAN – Poem Generation
  88. 88. 由 李仲翊 同學提 供實驗結果 • 升雲白遲丹齋取,此酒新巷市入頭。黃道故海歸中後,不驚入得韻子門。 • 據口容章蕃翎翎,邦貸無遊隔將毬。外蕭曾臺遶出畧,此計推上呂天夢。 • 新來寳伎泉,手雪泓臺蓑。曾子花路魏,不謀散薦船。 • 功持牧度機邈爭,不躚官嬉牧涼散。不迎白旅今掩冬,盡蘸金祇可停。 • 玉十洪沄爭春風,溪子風佛挺橫鞋。盤盤稅焰先花齋,誰過飄鶴一丞幢。 • 海人依野庇,為阻例沉迴。座花不佐樹,弟闌十名儂。 • 入維當興日世瀕,不評皺。頭醉空其杯,駸園凋送頭。 • 鉢笙動春枝,寶叅潔長知。官爲宻爛去,絆粒薛一靜。 • 吾涼腕不楚,縱先待旅知。楚人縱酒待,一蔓飄聖猜。 • 折幕故癘應韻子,徑頭霜瓊老徑徑。尚錯春鏘熊悽梅,去吹依能九將香。 • 通可矯目鷃須浄,丹迤挈花一抵嫖。外子當目中前醒,迎日幽筆鈎弧前。 • 庭愛四樹人庭好,無衣服仍繡秋州。更怯風流欲鴂雲,帛陽舊據畆婷儻。 Randomly generated (Slide Credit: Hung-Yi Lee) WGAN – Poem Generation
  89. 89. Conditional GAN – Text to Image "red flower with black center" (Slide Credit: Hung-Yi Lee)
  90. 90. 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 130 http://bangqu.com/b4U76M.htmlhttp://make.girls.moe/#/
  91. 91. Image-to-image Translation Phillip Isola, Jun-Yan Zhu,Tinghui Zhou, Alexei A. Efros, “Image-to-Image Translation with Conditional Adversarial Networks”, arXiv preprint, 2016 (Slide Credit: Hung-Yi Lee)
  92. 92. 陳昇瑋 / 人工智慧民主化在台灣 Interactive Image Translation with pix2pix-tensorflow https://affinelayer.com/pixsrv/
  93. 93. 陳昇瑋 / 人工智慧民主化在台灣 133 Image to Image Translation: CycleGAN
  94. 94. 陳昇瑋 / 人工智慧民主化在台灣 CycleGAN 134
  95. 95. 陳昇瑋 / 人工智慧民主化在台灣 Horse <-> Zibra 135
  96. 96. 陳昇瑋 / 人工智慧民主化在台灣 136
  97. 97. 陳昇瑋 / 人工智慧民主化在台灣 Outcome 137
  98. 98. 陳昇瑋 / 人工智慧民主化在台灣 138
  99. 99. Video Reenactment 139 https://www.youtube.com/watch?v=ohmajJTcpNk https://www.youtube.com/watch?v=9Yq67CjDqvw
  100. 100. 陳昇瑋 / 從大數據走向人工智慧 Deepfakes 140https://www.inside.com.tw/2017/12/13/gal-gadot-fake-ai-porn
  101. 101. 陳昇瑋 / 人工智慧民主化在台灣 Types of Machine Learning Methods 141 Machine Learning Supervised UnsupervisedReinforcement Task driven (Regression / Classification) Data driven (Clustering, Dimension Reduction) Learning by reacting to feedback
  102. 102. 陳昇瑋 / 人工智慧民主化在台灣 Learning to play Go Supervised v.s. Reinforcement 142(Slide Credit: Hung-Yi Lee)
  103. 103. 陳昇瑋 / 人工智慧民主化在台灣 143 https://www.youtube.com/watch?v=M2DQVWLxB7I
  104. 104. 陳昇瑋 / 人工智慧民主化在台灣 144 https://www.youtube.com/watch?v=SHLuf2ZBQSw
  105. 105. 陳昇瑋 / 人工智慧民主化在台灣 Why Supervised Learning is Not Enough 145 https://www.reddit.com/r/MachineLearning/comments/2lmo0l/ama_geoffrey_hinton/ The brain has about 1014 synapses and we only live for about 109 seconds. So we have a lot more parameters than data. This motivates the idea that we must do a lot of unsupervised learning since the perceptual input (including proprioception) is the only place we can get 105 dimensions of constraint per second. -- Geoffrey Hinton
  106. 106. 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, ... 147 (Slide credit: David Silver)
  107. 107. 陳昇瑋 / 人工智慧民主化在台灣 DeepMind A3C 149 https://youtu.be/0xo1Ldx3L5Q?t=22 SL: Mimic excellent drivers RL: Learn from failures
  108. 108. 陳昇瑋 / 人工智慧民主化在台灣 NVidia Self Driving Car, 2016
  109. 109. 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 151(Slide Credit: Hung-Yi Lee)
  110. 110. 陳昇瑋 / 人工智慧民主化在台灣 Big data vs. Machine learning vs. AI Big data: records of experience Machine learning: “A type of algorithms that gives computers the ability to learn from experience, rather than being explicitly programmed." Artificial intelligence Turing test 153
  111. 111. 陳昇瑋 / 人工智慧民主化在台灣 AI IN MANUFACTURING 154
  112. 112. 陳昇瑋 / 人工智慧民主化在台灣 1/3 of the GDP Manufacturing GDP of $178B, almost 1/3 of total GDP 30% of the employment are in the manufacturing sector Cheap labor cost of $9.42/hr with average labor productivity of almost $60k in GDP/person 17% corporate tax rate 155
  113. 113. 陳昇瑋 / 人工智慧民主化在台灣 McKinsey’s Four Dimensions in AI Value Chain 156 Smart R&D and forecasting Project Optimized production with lower cost and higher efficiency Produce Products and services at the right price, time, and targets Promote Enriched and tailored user experience Provide
  114. 114. 陳昇瑋 / 人工智慧民主化在台灣 The Four-P Dimensions in Manufacturing  Improve product design  Automate supplier assessment and price negotiation  Anticipate parts requirements  Improve manufacturing processes  Automate assembly lines  limit product rework  Optimize pricing  Predict sales of maintenance services  Refine sales-leads prioritization  Optimize flight/fleet planning and route  Enhance maintenance engineering  Enhance pilot training 157 Provide Project Promote Produce
  115. 115. 孔祥重校長 • 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
  116. 116. Where the Role of Taiwan? 159(Slide Credit: Google) Social
  117. 117. 以人工智慧提升 台灣產業競爭力
  118. 118. March – November in 2017 161 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 農科院 紡織所 聯發科技 台積電 宏遠紡織 台元紡織 佳和紡織 強盛染整 臺灣塑膠 龍鼎蘭花 經緯航太科技
  119. 119. 產業 AI 化的挑戰 01 實戰人才的缺乏 02找對問題不簡單 03 產學之間的鴻溝 04對自建技術的信心
  120. 120. 台灣人工智慧學校首屆開學典禮 Project θ Weekly Meetings at NCTU and Also Online with Academia Sinica June 6, 2017
  121. 121. 164 產業共通 挑戰 預測性維護瑕疵檢測 原料組合最佳化自動流程控制
  122. 122. 台灣人工智慧學校首屆開學典禮 產業共通挑戰 #1-瑕疵檢測 165
  123. 123. 台灣人工智慧學校首屆開學典禮 166 Typical PCB defects
  124. 124. 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 … 167 https://www.researchmfg.com/2011/02/soldering-defect-symptom/
  125. 125. More SMT/DIP Defect Examples 168
  126. 126. System automatically detects cracks in nuclear power plants 169
  127. 127. 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
  128. 128. 實際案例 – 視覺檢測速度比較 171 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
  129. 129. 實際案例 – 視覺檢測效益評估 172 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
  130. 130. 台灣人工智慧學校首屆開學典禮 產業共通挑戰 #2-自動流程控制 173
  131. 131. 良品範圍 良率: 61% QualityIndex 人為控制設備參數
  132. 132. 175 採用深度學習控制設備參數 作業員良率: 61% 自動控制良率: 98% QualityIndex
  133. 133. 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) 176 產業共通挑戰 #3-預測性維護
  134. 134. 台灣人工智慧學校首屆開學典禮 預測某段時間後的設備狀態 177
  135. 135. 台灣人工智慧學校首屆開學典禮 178 產業共通挑戰 #4-原料組合最佳化
  136. 136. 台灣人工智慧學校首屆開學典禮 179 染整業的打色問題
  137. 137. 台灣人工智慧學校首屆開學典禮 180 Pigment 1 Pigment 2 Pigment 3打色成功率: 70% to 95%
  138. 138. 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… 181
  139. 139. 台灣人工智慧學校首屆開學典禮 2017/06/26 Project θ Meeting 183
  140. 140. 尋找一個把能量放大 的方法 1,000x
  141. 141. 產業 AI 化的挑戰 01 實戰人才的缺乏 02找對問題不簡單 03 產學之間的鴻溝 04對自建技術的信心 關鍵
  142. 142. 187 人工智慧 人才培育 產業 AI 化 顧問服務 永續科技 推展
  143. 143. 188 共同主辦
  144. 144. 台塑企業 奇美實業 英業達集團 義隆電子 聯發科技 190 科技生態發展公益基金會 基金捐助人
  145. 145. 191 http://aiacademy.tw/opening-video-180127/
  146. 146. 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
  147. 147. 04 03 05 01 02 06 第一流的講師 富經驗助教團隊 第一手真實問題 充足計算設備 200 人大班制 學員實驗室
  148. 148. 750 坪空間
  149. 149. Lab x 9
  150. 150. GPU x 240
  151. 151. 夥伴計畫 企業 / 學界 出題 學員組隊 解題 結業生 招募活動 http://aiacademy.tw/corporate-partner/
  152. 152. 空氣盒子計畫 中國信託商業銀行 中國鋼鐵 中國醫學大學醫院 中研院化學所 中研院生多中心 中研院生醫所 中華電信研究院 嘉實資訊 天下雜誌 天氣風險 宏遠興業 東森得易購 痞客邦 PIXNET 長春石化 雲象科技 201 第一期企業及學術夥伴
  153. 153. 合作解題 論文研討 新知分享 個人競賽 團隊競賽 期中、期末考 200 人大班制
  154. 154. 第一期招生班別 • 十二周 • 周一至周五 • 朝九至晚六 • 理論課程 • 實作課程 • 專題實戰 • 個人競賽 • 期中、期末考試 技術領袖 培訓班 經理人 周末研修班 • 十二周 • 每周六 • 朝九至晚九 • 基礎理論課程 • 應用分享 • 分組討論/報告 • 交流聚會
  155. 155. 技術領袖培訓班 程式設計 統計 機率 線性代數 微積分 報名 430 人 錄取 210 人
  156. 156. 技術領袖培訓班
  157. 157. 經理人周末研訓班 報名 470 人 錄取 320 人
  158. 158. 經理人研修班課程 人工智慧概觀 統計與資料分析 機器學習與演算法概論 深度學習入門 手把手機器學習及深度學習 電腦視覺 文字探勘與自然語言處理 社群媒體分析 聊天機器人 推薦系統 語音與音樂訊號處理 人工智慧產業案例分析
  159. 159. 台灣人工智慧學校 第一期結業典禮 日期: 4/28 (六) 地點: 中研院人社大樓 活動: 1) 結業典禮 2) 期末成果發表會 3) 就業媒合活動
  160. 160. 214 技術領袖培訓班
  161. 161. 215
  162. 162. 216
  163. 163. The First Few Weeks… 217
  164. 164. 218
  165. 165. 219
  166. 166. 220
  167. 167. 三個月的轉變
  168. 168. 豐碩的專題實作成果 台股指數漲跌預測 預測實價登錄房價 腸病毒感染爆發預測 植物品種辨識 速訊寫稿機器人 3D 細胞影像語義分割 動物聲音辨識 …. 文章自動摘要與標題生成 文章自動標籤生成 預測實價登錄房價 人與物互動辨識 AOI 瑕疵偵測 銅箔缺陷多元分類 讓照片說話 … 222
  169. 169. 經理人研修班 統計與資料分析 機器學習與演算法概論 深度學習入門 手把手的資料分析 電腦視覺 語音與音樂訊號處理 文字探勘與自然語言處理 手把手的機器學習 推薦系統 & 聊天機器人 社群媒體與社交網路分析 人工智慧的金融應用 手把手的深度學習 人工智慧開發環境建置 深度學習在實作上的各種挑戰 與困難 引入 AI 之前,企業必須知道的 資料分析與機器學習實務 Plus 20 場人工智慧應用演講…
  170. 170. 224
  171. 171. 經理人班 vs 技術班交流活動 225
  172. 172. 第一屆 AI 產業化創新競賽 226
  173. 173. 台灣人工智慧學校 台北總校第二期 報名 500 人,錄取 216 人 報名 700 人,錄取 250 人 技術領袖培訓班 經理人周末研修班
  174. 174. 技術領袖班核心課程設計 232 核心課程 機器學習 自然語言處理 循環神經網絡深度學習基礎 卷積神經網路 機率及統計 強化式學習
  175. 175. 理論 實作 交流 特製投影片及影片,符合每位 學員進程及學習速度 名師面對面講授學習心得及重 要應用,並進行問答及交流 精心設計的練習題,由助教 手把手帶領進行實作練習 多元互動 學習 技術領袖班核心課程授課方式
  176. 176. 台灣人工智慧學校 新竹分校第一期招生 上課: 7/7 – 10/27 (十六周) 招生: 技術領袖培訓班 (每周二四六) 經理人周末研修班 (每周六) 報名截止: 5/22
  177. 177. 新竹分校校址- 新竹市力行路二十一號 235
  178. 178. 台灣人工智慧學校分校規劃 236 台北市 Jan 2018新竹市 Jul 2018 台中市 Aug 2018 台南 + 高雄 500 學員 x 每年 3 期 x 4 校區 = 每年培養 6000 AI 工程師 / 經理人
  179. 179. 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。
  180. 180. 讓台灣在全球人工 智慧的快速發展洪 流中不落人後,能 佔有一席之地。

×