AI 副本挑戰中 | Andrew Ng’s AI For Everyone Chapter 2 – Building AI Projects
在第二章開始深入談到了 AI 的相關計畫可以怎麼進行，並用許多實際的案例來解釋。 舉例來說，Machine L …
AI 副本挑戰中 | Andrew Ng’s AI For Everyone Chapter 3, 4
Ch. 3 Building AI In Your Company 看起來是一個「智慧音箱」，它可能有幾個步驟 …
Ch. 3 Building AI In Your Company
看起來是一個「智慧音箱」，它可能有幾個步驟，但可能是由不同的 Team 個別去製作出來的。
- Trigger word detection
- Speech recognition
- Intent recognition
- Excute
AI Team 的組成可能有：
- Software engineers（常大於 50%）
- ML engineers：拿 data 去訓練 A → B
- ML researchers：保持研究、更學術性一些
- Data scientist：把資料解釋為 insight
- Data engineers：整理組織資料
- AI Product manager：去找出要做什麼，什麼是有價值、可做的
因此，No project is too small！小但成功了是好的。
AI Transformation Playbook
- Excute pilot projects to get momentum：最重要的要先把成功的案例建立好，大家才會有動力和意願去繼續製作其他的內容。這可以是 in-house 或是 out-sourced 的。
它不一定要是「最有價值」的專案，但要是「成功的專案」。
可能就會花 6-12 個月的時間 - Build an in-house AI team：有獨立於其他 Business units 的 AI 小組才有可能更有效率地去找到適合的策略
- Provide broad AI training
- Develop an AI strategy：有些公司會把 AI strategy 放在第一步，但很容易不切實際，因為不知道 AI 可以做到或不能做到什麼，導致太過天馬行空。
應該先把內容做出來、找到用戶，就能有更多的 data，再來就能做出更好的產品。
也要更有策略性地去拿資料 - Develop internal and external communications：和投資者、用戶、talents、Internet 等等的 communications
Ch. 4 AI and Society
我們對於 AI 應該要保持中庸之道，不要過度樂觀覺得它可以解決所有人類的問題；也不要過度擔憂它會毀滅人類。要知道：AI 是個強大的工具，但有它的限制
AI 的限制：
- Performance limitation
- Explanability is hard：它可以把事情做得很好，但無法解釋為什麼它可以做得好 – 要說出來為什麼做得好、不好，才可以讓它更進步
- Biased AI through biased data：若是資料來源已有偏差，就會做出有偏差的結果
- Adversarial attacks on AI：利用攻擊去愚弄、損害 AI，使其產生錯誤的內容，或更惡意的行為。
AI 可能會減少許多的職位，但也會有許多的職位相應而成。所以在既有的能力、專業之下，再加入 AI，比起全部打掉重練更重要！
小結
Andrew Ng 真的很會教，把一些本來很不清楚的內容有了更多的認識了。我覺得如果像我一樣沒有太多 AI 相關的基礎的話，這是一堂不可多得的課程。
我覺得上完後更有方向知道自己要往什麼樣的地方發展。
目前我已經開始在上 Andrew Ng 的 Machine Learning 專課了，很有趣但也很難嗚嗚，不過有種興奮感，覺得好像很多以前沒有解決的專案都可以開始慢慢撥雲見日！
我會再多多分享的！
感謝收看:D
如果您喜歡本篇文章，歡迎點下方按鈕，贊助我們並給樂透一個罐罐 🐾
留言