# AI 副本挑戰中 | Andrew Ng’s AI For Everyone Chapter 3, 4

https://ijuhsu.com/posts/ai-for-everyone-ch3-4 · 2025-08-24
Category: ai · Tags: ai, Andrew Ng, AI For Everyone, 讀書心得

---

# 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

1.  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
2.  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
3.  Provide broad AI training
4.  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
5.  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：

1.  Performance limitation
2.  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
3.  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
4.  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 🐾**