英國文豪狄更斯的《雙城記》開頭寫道：「這是最好的時代，也是最壞的時代；這是智慧的時代，也是愚蠢的時代…………」

危機就是天賜良機

提筆寫下本文同時，台灣的半導體、資通訊、航運、鋼鐵產業，訂單出口非常暢旺，衝高低迷許久的經濟成長率；但同時也正經歷最嚴峻的疫情衝擊，全國進入三級警戒。

再看美國正在準備從經歷超過400多天的疫情肆虐中解封，整個國家即將迎來正常的生活，白宮政府計畫投入大量預算在半導體、人工智慧、電動車、新能源、寬頻、尖端科技研發，以及勞工技能教育等具有未來性的關鍵產業，遠遠超過修橋造路等基礎建設計畫。

Covid-19疫情後等於大戰後，如同之前二次大戰後開啟百業復甦，創造了全世界幾十年的高度經濟成長；禍福相倚的不變道理，只有具備智慧的領導者知道，危機就是天賜良機，一個數位轉型的重大轉機。

重新定義未來企業

疫情催化了企業的數位轉型的速度，縮短了原本需要耗時多年的使用者行為改變的週期，迫使做出立即的改變。透過AI重新定義典範轉移，重新定義員工技能、部門功能、組織效能；這包含了數位工具的採用、營運流程的應變調適、組織的決策與文化轉變。

因為AI的演算法驅動，以資料為燃料的軟體，加上高速網路便捷，雲端運算的普及便利，傳統資訊技術已從原本的訊息輔助與優化工具，轉變成為數據驅動的營運核心，不論生產力的提升、經營績效的改善、製程的優化、成本管控的細緻度、人機協作比例重組……各領域，數位化成熟度高的領導企業，將人工智慧當成企業營運的標準配備，突破原有營運侷限的天花板，AI是未來20年企業提升競爭力的必考題。

掌握人才是最高戰略

全世界都會遇到組織內懂得AI的人才稀缺問題，從2018年一月開始，台灣人工智慧學校以能夠定義問題並且動手解決為目標，幫助企業「把問題帶來學校，把答案帶回公司」，透過自身經驗證明，只要產業內的問題能被清楚定義與標準化出來，且有相對應的資料存在，大部分情況下可在四個月內發展出一套可行的解決方案雛型。

在某個領域專精的專業人才，如：工業工程、化工、機械、建築、電子、零售、金融、醫學專家，透過短期集訓的方式，讓他們學會以人工智慧來解決自身領域的問題，才能快速解決台灣產業內的人工智慧人才荒，為產業升級帶來新的動力。

我們針對面向不同的學員對象設計不同的內容方案，一個是針對工程師的技術領袖班，一個是中高階主管的經理人班，還有特別為醫療與製造業專業人士設計的產業專班。從2018年1月台北總校第一期開學至今，台灣人工智慧學校在全台三個分校已有7500位的校友及在校生，橫跨15大產業，1700多家企業，多數都是社會中高階經理人與技術菁英，確保台灣企業能夠維持國際競爭力，在AI時代不掉隊。

值得一提，多數企業在推動產業AI化常有見樹不見林的落差，主要出在使用案例是單點的技術應用，但要達成數位轉型，尚缺企業流程重塑、整體面的方法與商業思維，由兩位哈佛商學院教授顏西提、拉哈尼寫的《領導者的數位轉型》剛好可以補足這個缺口，兩位教授同時具備管顧的身份，針對企業領導者提供一個AI時代競爭策略的全景鳥瞰，介紹了多個大型且已成功的數位型企業的個案研究，提供了有系統的導引、說明、借鏡，這剛好切合許多正在找尋個案與導航的商管經理人需要。

啟動數位轉型刻不容緩，此時正是最好的時刻，我特別推薦給企業領導者或是專業經理人，可以作為公司讀書會的一本共讀書籍，適合用它來建立企業數位轉型的共識與行動，預祝各位讀者在疫情後展開新頁，順利成功。

The post 台灣人工智慧學校校務長：「危機就是天賜良機！」把握此刻，創造企業數位轉型的轉機 appeared first on 台灣人工智慧學校.

本文整理了台灣人工智慧學校近幾期技術領袖班所產出的邊緣運算(Edge AI)專題，專題可以分成兩個面向，一是在製造業工廠中的Edge AI應用，另一個是日常生活中的Edge AI應用，同時也針對Edge AI的定義和實作方法做一些簡介。

Edge AI 的發展緣由

傳統上的AI佈署，是將資料集中後，由一個具備強大算力的伺服器進行模型訓練與預測。為了讓更多使用者同時在不同地方存取、使用這台計算機上的模型，我們會將伺服器連網，並讓網路上的使用者能夠依據指定的安全協定連線到伺服器上。

這種將服務架設在雲端伺服器上的應用我們稱為 Cloud AI。

隨著時代演進，Cloud AI形式的AI佈署開始在資料集中所導致的隱私問題，以及通訊的安全與效率等方面受到質疑。

於是捨棄雲端伺服器、而直接在邊緣裝置上進行 AI運算的 Edge AI 概念相應而生。

Edge AI

Edge AI強調的是讓使用者不需要連線到伺服器，而是直接在邊緣裝置應用AI模型，近期甚至可以在邊緣裝置上微調(Fine-tune)或是透過近年提出的聯邦學習(Federated learning)技術，由不同邊緣裝置在不洩漏資料的條件下共同參與模型訓練以找到更好的模型。
*微調 (Fine-tune): 將已經完成訓練的模型，在新獲取的資料上重新訓練，好讓模型的推論結果在當前環境下表現的更好。

舉例來說，邊緣裝置可能是你的手機或是家裡的 Webcam，使用 Edge AI來提供 AI服務，可以保證使用者的隱私不會被第三方獲取。

因為Edge AI在近幾年如此的火紅，台灣人工智慧學校的技術領袖班學員中，有許多的專題使用這個AI的前沿技術，並成功佈署於邊緣裝置上，漂亮的實現了Edge AI的技術，成果十分亮眼。

在本文中會對「工廠生產」以及「日常生活」兩個情境，透過技術領袖班的專題經驗，介紹Edge AI應用。

Fig.0: AI協助瑕疵檢測是當前最熱門的智慧製造應用之一。

Edge AI應用在工廠生產: 瑕疵檢測 (物件偵測/影像分割)

AI技術應用在工廠生產的瑕疵檢測有兩個典型的場景：

1. 對產線上的產品做立即的瑕疵檢測廠內加工、組立等生產線環節的零件瑕疵檢測(e.g. 螺絲、排線)
2. 對AOI(自動光學檢查)設備檢測出的瑕疵產品進行複判在AOI機台自動篩選瑕疵物件後，人工再次判斷是否確實存在瑕疵

AOI與瑕疵檢測

當我們提到對AOI設備檢測出的瑕疵物件進行複判，可能會是應用在像是NB機殼、滑鼠或鍵盤等外觀件的複判上，或是晶圓、面板、SMT等生產瑕疵的複判上。生產線中可能已經存在著透過傳統電腦視覺方法來實現的AOI檢測機台。

考慮AI導入現有產線的情況。當客戶有更高的品質要求，我們會將現有的自動化瑕疵檢測標準提高，但也因此會造成更多的誤殺，於是人工複判的工作會顯得重要且極具負擔，透過AI輔助瑕疵檢測可以進一步減少需要複判的數量。

而當我們提到對產線物件做瑕疵判斷，那表示生產線中原先是沒有AOI機台的，這時候透過AI實作瑕疵檢測就成了品質管控的第一守門員

為什麼要用Edge AI

從系統建置的層面上來看，相較原本包含伺服器、前後端系統、通訊等等的集中式 AI專案，使用 Edge AI在製造現場只需要一個獨立的微型電腦，就可以快速的實現應用。

在工廠端發展的應用，通訊成本和頻寬是很大的限制因素，而Edge AI可以極大幅度的減少甚至不需要通訊，這讓 Edge AI在工廠端的應用有天生的優勢。

Edge AI的應用可以非常有彈性，例如可以將 Edge AI 實作的瑕疵檢測裝置與自走車結合，形成可移動的檢測工作站；又或者將攝像頭佈署在現有的機械手臂上，不須額外佈署繁瑣系統，無痛升級智慧機械手臂。

• 專案目標 : 外觀件 AOI後的複判
• 資料 : 包含瑕疵的多解析度的影像
• 模型 : Yolov4, MaskRCNN
• 平台 : Nvidia平台

實作技巧

Fig.1:直接對整張影像進行影像識別的難度較高，所以如何更有效率的找到可能出現待測物件的區塊(Patch)一直是深度學習電腦視覺領域中的熱門研究。

分割成小影像(patch)

當瑕疵在影像中很小的時候，將原始影像切分成更細小的區塊(patch)進行偵測可以有效的提升訓練效果。

用物件偵測的形式執行是最直白的解決方案，以Yolo為例，一開始會先以固定比例分割影像，然後進行候選區域估測(Region Proposal)找到有可能包含物件的區塊(Bounding box)，然後透過演算法(e.g. NMS, Non-Maximum Suppression)找到最小的有效區塊，然後才把這個小小的有效區塊放到影像分類的網路中進行預測。

REF:
– YOLOv4: Optimal Speed and Accuracy of Object Detection

Fig.2: 不同的影像增強技巧。

用資料增強的手法增加瑕疵影像

增加瑕疵影像的方法可以是單純的將瑕疵區域框選，針對該區域的影像進行影像的轉置或預處理，然後重新貼合到原始影像上。也可以使用像CutMix等等的特殊方法更好的提升訓練效能。

REF:
– CutMix: Regularization Strategy to Train Strong Classifiers
with Localizable Features

Edge AI應用在日常生活

場景一、熱成像影像的行車預警系統 (物件偵測)

Fig.3: 基於熱成像的行人檢測。

行車紀錄器與Edge AI

傳統的行車紀錄器只有錄影功能，而對於錄影過程收集到的資料並沒有善加利用，但事實上，行車紀錄器獲得的影像對駕駛十分有價值，我們可以透過Edge AI與行車紀錄器的結合，產生出令人驚豔的智慧化商品。

使用Edge AI可以保證數據不會被惡意使用或流傳到雲端上，所以很適合與包含隱私資訊(e.g. 行車紀錄器、監視錄影器 )的產品結合，提出一種全新的加值設計，將它與現有的產品做結合，實現智慧化的轉型。

行車紀錄器的加值應用(一)

行車紀錄器與AI結合，一個很好的應用就是行人偵測與預警系統：為了實現輔助駕駛，即時的服務變得十分重要，Edge AI與傳統AI服務相比，不需要將資料回傳雲端、並等待結果，而是完全在邊緣端進行資料處理、預測，因此會有更高的即時性。

關於 AI的電腦視覺專案，如果要將影像回傳伺服器勢必會占用大量頻寬，倘若將影像壓縮可能會減少幀數或畫值。這使得關於影像專案的實作上，Edge AI顯得相當實用。

行車紀錄器的加值應用(二)

在行車預警的場景中，很多時候僅靠RGB的傳統影像並不能很好的識別行人，例如隧道、晚上或者曝光強烈的情況。而熱成像模組已經可以很好的對應不同曝光情況進行對焦和感光度調整，不論是白天或晚上，都有比RGB傳統影像更優異的行人偵測能力。

• 專案目標: 透過熱成像影像進行行人偵測，實現行車預警
• 資料: FLIR 開源熱成像 dataset
• 模型: Yolov4
• 平台: 自有平台

影像預處理

FLIR的熱成像開源資料集為640×512的影像，但專題所使用的熱成像模組卻是另一個規格。不同的解析度會讓模型訓練產生很大的問題，因為單純將影像調整大小並不能很好的將特徵遷移到小的解析度上。

為了解決這個問題，本專題先對資料集中的影像增加高斯噪音(Gausian blur)，然後再調整影像大小。並取得相當優異的訓練成果。

結合RGB的深度感測

行車預警系統中，與行人之間的距離也相當重要。而如何用單一鏡頭實現深度感測一直是電腦視覺領域很重要的研究課題，本專題使用深度學習的模型 dispnet、monodepth來進行深度預測。

monodepth是針對影片(video)進行預測的自監督模型，透過對影片中第n幀、第n+1幀的影像計算相似度，並計算兩幀之間的轉移矩陣以估計姿態，最後輸出深度圖。

dispnet繼承自FlowNet，透過卷積神經網路以及光流(optical flow)來實現視差(disparity)以及場景流(scene flow)的估計。(場景流是3D的光流)

REF:

• – https://www.flir.com/oem/adas/adas-dataset-form/
• – A Large Dataset to Train Convolutional Networks for Disparity, Optical Flow, and Scene Flow Estimation

– Digging into Self-Supervised Monocular Depth Prediction

場景二、智慧手機架

Fig.4: 基於機械手臂的智慧手機架。

背景

經常用手機閱讀、或是觀看Youtube影片的現代人，經常會不經意的把手機斜靠在馬克杯、筆記型電腦或是盒裝牛奶上，做一個簡易的手機支撐架。當然，也有朋友直接購買專用的手機架。而有學員就發想，設計一個智慧手機架，利用AI讓手機架可以自動追隨你擺頭的角度，讓你的視線始終與螢幕保持平行，大大減少了長時間觀影的疲勞。

Maker與Edge AI

智慧手機架是一個帶有濃重Maker氣息的專案。動手實作，並快速建立產品雛形，取得反饋並繼續修正，這是Maker手創的重要流程。而Edge AI已經可以結合Maker常用的樹梅派，甚至一些開源的機械手臂，這讓Maker們可以選擇自己熟悉的平台和硬體實現夢想中的專案。

Edge AI與電腦視覺

同樣是電腦視覺的任務，與傳統高深的演算法比較起來，深度學習大大降低了建立模型的難度，尤其是一些常見的生活應用，諸如：口罩偵測、馬克杯辨識、門禁系統等，這些應用甚至不需要特別收集資料，只要使用別人已經開源的資料集就可以實現。

而Edge AI則進一步降低了系統建置的成本。免去了集中式AI繁瑣的系統，用微型開發版(RPI、Jetson nano)和一些易用的python套件，就可以在各種Maker應用中實作AI應用。

• 專案目標: 控制手機架自動跟隨頭部傾斜角度，並結合手勢控制
• 資料: 使用者影像
• 模型: MTCNN、Yolov4、FSA-NET、WHE-Net
• 平台: Nvidia平台、yahboom dofbot

結語

以手機架的控制為例，學員使用的4個模型中，包括偵測人臉的MTCNN、計算頭部姿態的FSA-NET、WHE-Net都是不需要額外收集資料的預訓練模型，而Yolo在應用時，只要收集少量的資料(單一類別約100張以內)，就可以有足以實用的準確率。

與傳統的AI系統比較起來，Edge AI不需要伺服器、也不需要前後端串接和資料庫，只需要單一開發版(微型電腦)就可以建立一個AI系統。

如果想要嘗試 Edge AI，筆者會建議從電腦視覺的專案開始實作，硬體的部分不論是 Intel、Google、Nvidia 又或是新創 Kneron 等等在市面上都已經有可以讓一般消費者購買的加速棒或硬體平台，同時也有大量的教學文件，非常好上手，很推薦對 AI 有興趣的人動手玩創意。

圖片來源

• Fig.0: Business vector created by dooder — www.freepik.com
• Fig.1: Deep Neural Networks Segment Neuronal Membranes in Electron Microscopy Images
• Fig.2: CutMix: Regularization Strategy to Train Strong Classifiers with Localizable Features
• Fig.3: FLIR Thermal Dataset for Algorithm Training
• Fig.4: 台灣人工智慧學校

The post Edge AI 邊緣運算之專題整理 – 王柏鈞 appeared first on 台灣人工智慧學校.

這一份參考書單，目標是提供給中高階經理人, 數位長, 資訊科技，人資主管的朋友，推廣企業讀書會或組織共讀，在AI主題上的選書有所幫助，主要區間從2017年到2020年末，選書原則是可讀性高，具備觀念與認知的代表性:

I. AI 科普:

1. 李開復 (2017)。人工智慧來了
2. 李開復 (2018)。AI 新世界
3. 陳昇瑋、溫怡玲 (2019)。人工智慧在台灣
4. 古明地正俊, 長谷佳明 (2020)。AI大局：鳥瞰人工智慧技術全貌，重塑 AI 時代的領導力

II. 資料科學:

1. 1. 車品覺 (2020)。大數據的關鍵思考（增訂版）：行動╳多螢╳碎片化時代的商業智慧
2. 2. 車品覺 (2020)。數據的商戰策略：建立以數據驅動為核心的營運關鍵

III. AI 經濟趨勢與商業思想:

1. Ajay Agrawal, Joshua Gans, Avi Goldfarb (2018)。AI經濟的策略思維：善用人工智慧的預測威力，做出最佳商業決策
2. Tim O’Reilly (2018)。未來地圖：對工作、商業、經濟全新樣貌， 正確的理解與該有的行動
3. Brad Smith, Carol Ann Browne (2020)。未來科技的15道難題：面對世界最關鍵的轉折，微軟總裁最前瞻的預測與洞察
4. Amy Webb (2020)。AI未來賽局：中美競合框架下，科技9巨頭建構的未來
5. Carl Benedikt Frey (2020)。技術陷阱：從工業革命到AI時代，技術創新下的資本、勞動力與權力

IV. 數位轉型:

1. Satya Nadella (2018)。刷新未來：重新想像AI+HI智能革命下的商業與變革
2. Daugherty, Paul R., Wilson, H. James (2018)。Human + Machine: Reimagining Work in the Age of Ai
3. Thomas M. Siebel (2019)。Digital Transformation: Survive and Thrive in an Era of Mass Extinction
4. Marco Iansiti, Karim R. Lakhani (2020)。Competing in the Age of AI: Strategy and Leadership When Algorithms and Networks Run the World

V. 演算法：

1. Brian Christian, Tom Griffiths (2019)。決斷的演算：預測、分析與好決定的11堂邏輯課
2. Judea Pearl, Dana Mackenzie (2020)。因果革命：人工智慧的大未來
3. 劉峻誠, 羅明健 (2020)。深度學習：硬體設計

VI. 智慧製造:

1. 簡禎富 (2019)。工業3.5：台灣企業邁向智慧製造與數位決策的戰略
2. 李傑, 劉宗長, 高虹安, 賈曉東 (2019)。工業人工智慧
3. 松林光男, 川上正伸（2020）。圖解智慧工廠：IoT、AI、RPA如何改變製造業

VII. 智慧醫療:

1. 李友專 (2018)。AI醫療大未來：台灣第一本智慧醫療關鍵報告
2. Eric Topol (2019)。Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again
3. 蔣榮先 (2020)。從AI到智慧醫療

VIII. AIOT:

1. 彭昭 (2020)。智聯網．新思維：「智慧＋」時代的思維大爆發
2. 裴有恆 (2020)。AIoT數位轉型策略與實務—從市場定位、產品開發到執行，升級企業順應潮流
   市場上還有很多的好書，這份清單只是知識補充或是觀念啟發的小部分，無法涵蓋所有AI知識，內容好與壞每人也有其主觀看法不再做延伸，分享給大家在學習閱讀上參考。

The post 推薦給經理人的 AI 主題書單 appeared first on 台灣人工智慧學校.

但本身不是程式相關領域畢業的人，該如何學習人工智慧技術呢？本篇文章將請台灣人工智慧學校台北總校AI工程師林愛哲，以他從商學院畢業生轉戰工程師的經驗，與大家分享踏入人工智慧的過程。

如何成為幫資料加值的人？

林愛哲大學讀的是經濟，研究所畢業於台灣大學商業研究所，是學校裡少數非理工學院背景的AI工程師，擁有商學院學生擅長與人溝通、組織問題等特質，專長消費者分群、市場滲透率評估、網絡流量分析與資料視覺化，曾於國泰世華、MDF Instruments與trivago等公司擔任產品PM與資料分析師。原本只是覺得大數據極有前景，才想要學習程式語言轉戰工程師，從資料視覺化、資料分析領域開始，越來越深入，漸漸學到資料模型的建立，踏入人工智慧的世界中。現在他的研究多聚焦人工智慧在行銷領域的應用，也時常於全球熱門的資料科學期刊towards data science上發表文章，更有多篇文章被評為特選文。

其實商業管理經常會運用量化數據協助決策，也會需要建立模型進行顧客分析或銷售預測，隨著科技普及，加上新興軟體不斷出現，降低了行銷人員學習資料分析與處理的門檻。林愛哲提到，不少行銷人員會學習利用程式蒐集、處理、分析和呈現資料，例如近來流行的Python就是十分適合行銷人員上手的程式語言，並且可以往資料分析領域前進，懂得分析整理資料，才能再深入學習模型建立。

文科生自學程式的困難與收穫

林愛哲說，自己在研究所時期就有選修R語言的課程，因此對於程式語言有點小概念，畢業之後又花了三個多月學習Python相關知識與技術。雖然坊間或是網路上有許多Python自學的課程與影片，但文科生如果想要學習Python，一開始還是需要有人在旁一起討論與指導。尤其卡關時，光是找解答就會耗掉半天到一天的時間，如果這時候有人在旁邊提點，或是提供學習資源的話，就能減少不必要的時間浪費。他笑說，有時候可能只是一個逗號的問題，就會造成bug，但自己卻不容易發現，這時候如果有熟悉程式的人在一旁協助，就很容易發現錯誤。

以他自身的學習經驗，即使R語言與Python有類似的概念，但語法上還是差距蠻大，且有很多不容易理解，必須是資工背景出身的人才會知道的用語或觀念，例如字串、浮點數、物件等名詞。

林愛哲說，在程式的世界中，邏輯與規則必須被清楚說明，一條條的寫下來，甚至連符號的使用都必須很仔細。不像文科世界中，藏有許多潛規則與模糊地帶，不用清楚說明，這也是他一開始最無法適應的地方。但他認為，學會寫程式，增加了對商業、行為資料的判讀及運用能力，同時也可以培養邏輯思維能力。他笑說，學會寫程式最大的幫助，是擴大了求職範圍，讓他可以在德國找到工程師的職位。

面對未來的產業趨勢，具備產業背景知識，懂得觀察問題、蒐集分析資料，且能解讀分析結果的人才， 才能在數位資料增加、演算工具推陳出新的時代，掌握先機。

The post AI 工程師林愛哲分享：商科生跨足人工智慧的學習之旅 appeared first on 台灣人工智慧學校.

假設你是一個書商，想知道那些書會大賣，你會怎麼做？以往我們會拉出銷售報表，再搭配我們已知的經驗，如價格、節慶…變化因素進行判斷，再提供對應的銷售資訊。但我們透過顧客以往的匿名購買資料，結合所得稅申報、教育程度、當年總統大選等資料發現，會發現部分時候，顧客行為和編輯與行銷的直覺完全不同；甚至可以找出被忽略的熱銷書籍。(詳見行銷人的秘密武器：用「數據分析」結合「機器學習」找出暢銷商品)但是這個找出熱門商品的過程並非僅是輸入數據、按下 Enter 鍵就能產出結果，得經過多次溝通與討論，甚至是團隊的合作，才能完成。那麼，這將是一個什麼樣的工作過程呢？

資料探勘過程如同淘金

資料分析的工作至少可分為以下部分：現象描述、診斷問題、未來預測、實際應用。首先，得先瞭解當前現象，例如消費者樣貌；接著，要診斷事情發生的原因，例如某些商品的銷售為什麼特別好？了解原因後，我們希望可以透過既有的資料，協助我們預測未來會不會發生某件事，例如預測商品的銷售表現。最後，我們則希望可以促成某件事發生，例如幫助商品銷售。

但在利用資料進行預測之前，得先進行資料處理，因為沒有經過處理的原始記錄，在缺乏組織與分類的狀況下，是沒有意義的。因此，分析原始資料的過程就如同在砂礫中淘金，需要選擇正確的方式及合適的工具，才能掏出有價值的黃金。

近年來流行的資料視覺化，便是透過不同的資料工具，將資料以容易閱讀與理解的圖片形式呈現。台灣人工智慧學校AI工程師林愛哲說，以他過去在外商公司擔任產品PM與資料分析師的經驗，其實有很多工具可以協助行銷人員做出好看的圖表。他舉例，如R語言就是個方便的工具，特別是在資料前處理、計算公式，以及圖表製作等功能上提供較大的彈性，比起Excel不僅可以自訂想做的資料前處理、計算指標的公式，還可以生成較複雜的圖表。

另外近來流行的Python則是較容易上手的工具，一般沒有寫過程式的人，大約花三個月的時間，就能學會用Python寫簡單的程式，半年以上就可以相當熟練。

林愛哲進一步指出，資料視覺化不只可以幫助行銷人員報告及檢視行銷成果，也可以幫助資料工程師洞察現象，並有助於預測模型的設計。當團隊從資料中讀出需要解決的問題後，行銷人員或是需求單位可以就目前遇到的問題與資料團隊進行討論，請資料工程師就資料庫中已有的資料建立模型；如果資料有缺少的狀況，也可以再設計指標蒐集資料。模型建好後，需要經過不斷地驗證，確認模型的準確率，才能實際應用。

這中間的過程需要需求單位與資料團隊密切溝通，確認需求及所需資料無誤，而這些建模的資料有時也需要再處理，例如非結構化的資料，還得在分析前花費額外的心力，以手工或半自動的方式轉換成結構化資料，才能使用分析技術來處理。

對於許多企業來說，想要導入資料團隊，除了得給予團隊足夠的發揮空間，更需要建立一個能快速實驗的環境。我們也必須知道，資料科學並非神丹妙藥，不會一下子就給出一個解決方案，而是需要不斷的實證。同時，資料團隊的導入也牽涉到企業的典範轉移，例如本身的環境、員工的思維與觀念；對於資料管理的方式也會需要改變。以往我們依賴經驗，現在我們則以客觀的資料事實及科學方法，透過測量得到更準確的資訊，輔助決策的進行，提高決策的正確機率。對於企業來說，對於資料的精準掌握與正確應用，預期將會是下一步致勝的關鍵。

The post 從資料找黃金：融合大數據，創造跨世代競爭力 appeared first on 台灣人工智慧學校.