AI4IA的實踐學習紀錄
這次演講主要著重AI應用趨勢及公司如何發展AI。
- AI是一門科學(e.g. 演算法)+技術。
- 公司可以「彎道取勝」方式進入AI。
- TensorFlow v1.10已擴展到不同devices。
- AI可往上或往下發展：
往上：強化(optimization)企業在營運上更好的應用。
往下：晶片的bundle，如Nvidia。
- 算力很重要，因為AI要做大量學習、訓練。
- 中國、美國、以色列與歐洲認為AI可提升國力，於是成為國策之一。
- 深度學習不能完全解決AI問題，遇到瓶頸，開始發展膠囊網路。
- RPA：Robot Application Automation 智能客服 => 某些職位會消失，同時衍生更多職務的產生，整體工作數反而會增加。
- 注重「可變現」的商業模式。
- 台灣最知名的AI公司：沛星互動科技。
- 現有的事加上AI案例，e.g. Julie Desk：
3成：NLP了解email內容(AI)
4成：SI整合(server方面)
3成：和線上如Office產品bundle在一起。
- AI的algorithms，有：
a. 需能理解到某一種程度的演算法的能力(看懂才知如何調)。
b. 降維，e.g. 股價預測的應用。
c. 不牽扯解決啥特定問題，純粹為了加速(computing能力)，e.g. 從camera抓影像到成功辨識 出共花幾秒？
- 除靠GPU外，能否在計算方法(演算法)上動手腳？
- 本次演講的framework指2種：
1. TensorFlow：很陽春框架，做玩具可，但離商品化仍有段距離。
2. 提供如Retail、Medication等等的solution framework，也就是在TensorFlow上再疊東西。
- 本次演講強調以平台式方案(指一套framework)提供AI solution。
- edge computing有的放：1. neural processor、2. GPU。手機或機上盒需要edge computing能力。
- AI lifecycle是奇怪的：一開始隨便一兜，很快可兜出一個成品 --> 開始下降，因不知如何應用在商業上 --> 很久後終於解決某問題 --> 開始爬升，但比剛開始低，卻找到沒那麼崇高的目標，但反而更務實。
- Hardware是AI裡的「大砲」：
a. 要有競爭力，可往更底層的Hardware。
b. CPU：典型的von Neumann architecture(指需要用指令，存入RAM等等)。
c. GPU：分2種：一種是像CPU架構(可加速，但有極限，不建議用於挖礦或AI)；另一種 architecture完全不同，但適用於AI。
- 如果自己買FPGA + IP + 自己做的CNN網路 => 可造出比GPU更快的IC。
- FPGA可一直寫(演進：如軟體升級，硬體也升級)，但Nvidia的GPU不能。
- 目前台灣在Hardware仍是代工階段。
- Huawei手機晶片有內建AI(不只是TPU、GPU，而是一個framework)。
- CPU + 其他processor => 就變成一個framework。
- solution framework：(Quick for developing) 用一套framework(package)去服務客戶，不要每個案子都要從頭敲起。
- SmartOps：小系統AI會有整合、維運問題 => 因而TensorFlow v1.10以分散式deployment改善。
- Amazon Echo：目前仍缺少killer application，e.g.要有Far Field的麥克風，或我說話時，別人就不能說話。Amazon Echo做一台就賠一台，但不做就永遠不知會有什麼問題，所以一定要做。AI本身不賺錢，而是用了Echo就一定要連到Amazon帳號重要。
- 不用說服客戶要慢慢AI化，而是提供AI Readiness評估 --> 應用情境 --> 商務。
- AI應用要從一個framework看，而非從一個單獨個案看。
- MOD可延伸為device的controller。
- 3個應用案例：
第一個：ego 精準醫療AI的大陸公司
- platform + sdk + 硬體的模組 => 發展成一個eco system。
- 最重要的是「可預測」，e.g. 何時需去運動了。
- 定位：技術導向，做AI的component，打群架(e.g. 不自己做智慧手環，而是和做手環公司合作，那自己就有手環data的DB)。
- 應用可行(大多是在SI方面的工作)。
- 商業模式很重要。
第二個：ROS
- 定位：一個Internet的公司。
- NLD：natural language understanding
- 鎖定：1. 兒童教育、2. 車載設備
第三個：百融金服
- 風控平台
- 收集很多個人資料，提供信貸建議。
- 建立「知識圖譜」(就像一棵樹，從任一個抓取，都可做graph推論、預測)。
- 每人都要搶載具。
- AIoT：任一device，只要可IP化(指可連網)，就可成為：a. 一種資料蒐集來源、b. 一種edge computing平台。
- 水溫、濕度控制：arduino。TensorFlow可丟入arduino，不用再去連docker。
- AI一進來時，一定要經過學習階段。
- AI導入時程：一開始AI比重大於SI，越往後SI動作才越多。
- 本次演講的framework指2種：
1. TensorFlow：很陽春框架，做玩具可，但離商品化仍有段距離。
2. 提供如Retail、Medication等等的solution framework，也就是在TensorFlow上再疊東西。
- 本次演講強調以平台式方案(指一套framework)提供AI solution。
- edge computing有的放：1. neural processor、2. GPU。手機或機上盒需要edge computing能力。
- AI lifecycle是奇怪的：一開始隨便一兜，很快可兜出一個成品 --> 開始下降，因不知如何應用在商業上 --> 很久後終於解決某問題 --> 開始爬升，但比剛開始低，卻找到沒那麼崇高的目標，但反而更務實。
- Hardware是AI裡的「大砲」：
a. 要有競爭力，可往更底層的Hardware。
b. CPU：典型的von Neumann architecture(指需要用指令，存入RAM等等)。
c. GPU：分2種：一種是像CPU架構(可加速，但有極限，不建議用於挖礦或AI)；另一種 architecture完全不同，但適用於AI。
- 如果自己買FPGA + IP + 自己做的CNN網路 => 可造出比GPU更快的IC。
- FPGA可一直寫(演進：如軟體升級，硬體也升級)，但Nvidia的GPU不能。
- 目前台灣在Hardware仍是代工階段。
- Huawei手機晶片有內建AI(不只是TPU、GPU，而是一個framework)。
- CPU + 其他processor => 就變成一個framework。
- solution framework：(Quick for developing) 用一套framework(package)去服務客戶，不要每個案子都要從頭敲起。
- SmartOps：小系統AI會有整合、維運問題 => 因而TensorFlow v1.10以分散式deployment改善。
- Amazon Echo：目前仍缺少killer application，e.g.要有Far Field的麥克風，或我說話時，別人就不能說話。Amazon Echo做一台就賠一台，但不做就永遠不知會有什麼問題，所以一定要做。AI本身不賺錢，而是用了Echo就一定要連到Amazon帳號重要。
- 不用說服客戶要慢慢AI化，而是提供AI Readiness評估 --> 應用情境 --> 商務。
- AI應用要從一個framework看，而非從一個單獨個案看。
- MOD可延伸為device的controller。
- 3個應用案例：
第一個：ego 精準醫療AI的大陸公司
- platform + sdk + 硬體的模組 => 發展成一個eco system。
- 最重要的是「可預測」，e.g. 何時需去運動了。
- 定位：技術導向，做AI的component，打群架(e.g. 不自己做智慧手環，而是和做手環公司合作，那自己就有手環data的DB)。
- 應用可行(大多是在SI方面的工作)。
- 商業模式很重要。
第二個：ROS
- 定位：一個Internet的公司。
- NLD：natural language understanding
- 鎖定：1. 兒童教育、2. 車載設備
第三個：百融金服
- 風控平台
- 收集很多個人資料，提供信貸建議。
- 建立「知識圖譜」(就像一棵樹，從任一個抓取，都可做graph推論、預測)。
- 每人都要搶載具。
- AIoT：任一device，只要可IP化(指可連網)，就可成為：a. 一種資料蒐集來源、b. 一種edge computing平台。
- 水溫、濕度控制：arduino。TensorFlow可丟入arduino，不用再去連docker。
- AI一進來時，一定要經過學習階段。
- AI導入時程：一開始AI比重大於SI，越往後SI動作才越多。
留言
張貼留言