Introduction
吳恩達上台第一件事就是烙中文，讓台灣的朋友倍感親切。吳恩達說「人工智能新電能」他已經提倡了四年，而這四年在人才、論文、企業關注度上均有指數型的成長：
- 現在 AI 相關的工作是兩年前的35倍
- 以往 ICML 一年產出150篇論文，現在平均每天產出100篇論文
- CEO 提到「AI跟企業獲利」關聯性的次數從四年前的數次到現在快要破千次
根據麥肯錫的研究報告指出，2030年 AI 的市場產值將高達13兆美元。這些爆炸性的成長，要歸功於(1)資料和算力的增加，(2)人才、創意和工具的普及性。
Building AI Projects
吳恩達提到 AI 商業化跟概念驗證(POC, Proof of Concept)還有一大段距離，在演講中他把自己推廣AI落地的經驗與想法整理出來跟大家分享。首先最重要的就是“Start small”。俗話說得好，「循序漸進」，AI對很多企業來說還很新穎，沒有太多的經驗和技術，一開始就冒然把餅做大，必然得不償失。以吳恩達自身在業界的經歷，他說連Google在早期也無法全然相信深度學習。於是，他從兩個非核心的業務(語音辨識和地圖)做出成效，逐步證明AI能提升產品的功能並且提高團隊的能力，慢慢地讓公司感受到AI帶來的商業效益從而逐步信任 AI。直到最後他才切入到Google最賺錢的核心地帶-廣告業務。因此，他建議初期的AI專案儘量選擇6–12個月可以實現的，不然公司很容易會失去耐心。
吳恩達說，雖然媒體經常提到 AI 可能會取代人類的工作，但從工程和商業的角度來看，AI 能夠做的應該是協助完成任務，而不是取代工作本身(簡報原文：Automate tasks, not jobs)。舉例來講，放射科醫師一人便要執行非常多的任務：讀X光片、跟病人問診、指導年輕醫師、規劃手術、自我提升等等。在這麼多的任務中讀X光片或許是AI可以提供協助以減輕醫師負擔的事情。 (大神沒說的事：CheXNet 設計了一個121層CNN模型可以判讀14類包含肺炎在內的 X 光片，其準確率可比擬執業醫師*)。
其次，在演講中吳恩達還提到了另外一個重點：AI 跟領域知識(Subject Matter Expertise)的結合。一個好的 AI 專案，需要滿足兩個條件：
(1) AI能做得到，與(2) 對客戶有商業價值
吳恩達舉了一個例子：他曾經去拜訪的一間工廠，這間工廠位處郊區，其中有三位老員工被公司相當重視，因為只有他們經歷過十年前的大雪從而了解類似情況發生時的應對措施。類似這樣的「部落知識」不能跟著員工一起退休，尤其是非軟體業的公司。他們可以考慮的是讓擁有部落知識的專家跟AI團隊坐下來一起討論出如何建立起一套系統，將專業的領域知識傳承下來。
另外，吳恩達提到了一個與客戶交流時的小撇步給我們團隊很大的啟發，就是跟客戶一起腦力激盪六個可能的 AI 專案，再決定最合適的一兩個來執行。我們曾經遇到入選 AIGO 後，客戶卻無法提供充足資料的情況，在這種狀況雙方都很頭大。
什麼樣才是一個好的 AI 專案呢？吳恩達同時給了技術端和商業端的評估標準。技術面的考量包含了可行性、資料量級和開發時程；商業面不外乎降低成本、增加收入和新的功能。在這邊也小小宣傳一下開源社群 Thinking Thursday 第四場分享，將會由 Pecu 大大來分享「如何破除AI迷思？」喔！(傳送門 https://www.meetup.com/Thinking-Thursday/events/263826166/)
這個章節的最後，吳恩達指出，AI 專案可以外包給專業 AI 顧問公司，而數據分析的專案較常是由內部團隊開發。
* 註一：
Building AI in Your Company
2018年底的時候，吳恩達發佈了「AI Transformation Playbook」，並直接了當地給出了五個步驟：
- 執行試點計畫從而獲得動力
- 建立公司內部的 AI 團隊
- 對員工進行 AI 技能培訓
- 制定人工智慧戰略
- 在公司內部和外部建立良好的溝通渠道
由於大型企業的轉型牽涉到的層面非常廣，有時甚至要考量的是過往的包袱或是內外部的政治因素，在這裡筆者就不多加評論了。
AI Technology Trend
第一個趨勢是 AI 工程系統化，機器學習正由經驗法則轉往標準化。關於開發時程，吳恩達甚至提到了一個令人瞠目結舌的「一日敏捷開發」，顛覆傳統以兩週為週期的開發時程，真的是讓工程師們嚇到吃手手！他建議白天coding，晚上訓練模型，隔天早上立刻依據訓練結果制定下一輪的演算法設計方向。我們團隊經過討論後，吳博士指的應該是模型訓練時的內部工程開發階段，且在算力充足的狀況下(複雜的模型可能不是一個晚上就能有訓練的結果，要用算力換時間)，即時地討論訓練結果和優化訓練的方向。然而，在規劃階段和跟客戶交流的階段不可能有這樣的速度。
第二個趨勢是由大數據的需求轉往小數據，這是相當令人興奮的。由於大數據收集不易，且清理和運算均需要花費大量時間，用大數據來訓練模型的成本是相當高昂的。另外，在非軟體的領域，大部分的企業是沒有大量數據的。因此，單樣本學習和小樣本學習甚至半監督學習和自監督學習的出現大幅提升了 AI 的可行性。
第三個趨勢是元學習(Meta-learning)，也就是 Learning to learn。這一趨勢被認為是要實現強人工智慧的關鍵。現在的AI模組或許在執行某項任務上非常厲害，例如: AlphaGo 很擅長下圍棋，但它卻無法將所學到的能力應用在另一個不同的任務上。而且一旦應用情境出現了訓練時模型沒有看過的狀況，模型很可能就失效了。Meta-learning 的核心就是具備自學能力，因此有高度的適應性。
AI in Taiwan
最後，吳恩達更是因地制宜地探討了“AI in Taiwan”。他提到，除了矽谷和北京以外，需要更多的 AI Hub，而台灣半導體和製造業的優勢可以給AI產業帶來得天獨厚的優勢，有機會成為下一個AI重鎮。我們團隊在上個月參加識富天使會的募資簡報活動中，曾聽到外貿協會(TAITRA)秘書長提到日本對台灣AI 人才和 AI 新創公司的高度肯定，最近東京證交所來台灣找AI投資標的，認為台灣的AI新創有的核心技術可以預期百倍的 PE ratio。台灣今年有很多好的AI計畫，包含經濟部工業局的「AI智慧應用新世代人才培育計畫」(AIGO)、AI 共學團、AI技術應用實證輔導機制(AI Hub)、AI+新銳選拔賽、經濟部商業司主辦的「IDEAS Show x AI-商品影像AI辨識競賽」，可以提升AI 人才的實戰力，並促進產業AI化。
AI 一直藏在台灣(TAIWAN)之中，「開源智造」期許能在這波 AI 的浪潮之中幫助中小企業達成AI應用需求，也培育出能解決 real-world problem 的 AI 人才！