這本書的作者陳昇瑋執行長是入世的學者，從主辦的資料科學年會開始，對講者要求就是要能分享做了甚麼？怎麼做？做了之後有甚麼影響？哪裡可能踩到雷？哪些工具好用？可能有哪些意想不到的場景？
從資料科學年會的經驗累積，台灣產業的互動到台灣人工智慧學校(Taiwan AI Academy, AIA)的創立，陳執行長對於人才培育系統的設立想得相當清楚：
人工智慧的人才永遠不嫌多，就像人人懂 Excel，AI 要變成基本素養，人人都懂人機協作，定義問題解決問題。如果執行順利，AIA 會在生態系統之中生生不息。
作者分享對台灣產業數位轉型的焦慮，許多有同樣焦慮的讀者也被吸引而來，讀完這本書可以預期有的收穫有五：
現代人工智慧的學習模型有三：
深度學習最適合處理非結構化的資料，如人類五官能識別的的文字、聲音、影像。序列資料如：溫度、濕度、亮度。
以人類的五官來看，深度學習最接近人類的學習。
監督式：F(X) = Y，X 為輸入的觀測值，Y 為決策輸出，要找出函數 F(X)。
非監督式：只有觀測值 X，沒有決策輸出 Y，要找出分類規則。
增強式學習：直接和真實環境互動，大量學習試驗。譬如：AlphaGo 和 AlphaZero。
AlphaGo 先透過監督式學習學習歷史棋譜得到早期版本，再由兩個 AlphaGo 在 40 天內對弈 3,000 萬盤棋，歸納出人類從來沒有的棋路。
AlphaZero 則完全不用監督式學習，直接進行增強式學習，在短短三天的輸贏之間成為棋力最強的版本，超越所有人類棋士和其他棋類的人工智慧。
程式已不須人類給的起始知識，直接和環境互動，自行歸納出超過人類的更好決策，沒有情緒，不會因為疲累而判斷失準。
和情境低度相關，愈多維度的決策愈適合。例如製造業的應用有四：
讀者可以一邊讀一邊思考自己所在產業的應用。
利用三個條件，問個好問題交給人工智慧來處理：
定義出問題之後，如何落地的議題有三：
#1 需要花上數個月，因為資料分散在各部門，例如：製造部、品管部、研發部、生產管理部門，各有各的資料，品質也未必佳。需要花上好幾個月的時間重新清理，建立高品質的資料庫。
#2 上述資料清理收集就需要跨部門的合作，互相開放資料，也需要各部門花心力收集重建資料。
#3 內部的人工智慧團隊，才能讓持續根據公司設備或是營運的指標變化，來調整機器學習模型。
由上可見，牽涉到文化的改變，以數據和實驗驅動的決策，組織的協調整合，人工智慧的導入由上而下來進行才有成功的機會。
引入外部顧問，高層不熟悉或是不方便動手的就交給外部顧問來主導，高層只要扮演支持的角色。
人工智慧的落地會造就相關顧問行業的興起。
人工智慧要發揮作用，首先要補足大數據，並且建立以數據和實驗來驅動決策的文化，決策者在發現人工智慧的結果違反直覺時介入。光是補充數據就要花上數個月甚至一年的時間。
人為依賴圖表或報表做決策，為了強調重點或是因人為的侷限，經常會過於簡化。深度學習能看見人類無法識別的訊號而貢獻出不同的決策。
2012 年深度學習在史丹福大學一舉成名，許多開源碼可以下載，如 Google 開放 DeepLab V3+，Google 上也可找到資料庫，含 GPU 的機器也很容易購買。 人人都可以實作訓練自己的模型，感受 AI 的威力，如果可以延伸到大一高中計算機概論課程，對國家的幫助將很巨大。
人工智慧民主化在台灣
孔祥重校長致詞
我讀<<人工智慧>>在台灣搞懂的四件事
如何透過 AI 技術轉型傳統產業 - Landing.Ai
AIoT 智能晶片的演進與設計
從資料科學年會的經驗累積，台灣產業的互動到台灣人工智慧學校(Taiwan AI Academy, AIA)的創立，陳執行長對於人才培育系統的設立想得相當清楚：
- 經理人與技術人分班受訓，合流互動。
- 向先頭企業募款，企業也可分派問題給學員。
- 為企業培養人才，移地解企業的題目
- 沒有申請政府補助，受訓必須自費
人工智慧的人才永遠不嫌多，就像人人懂 Excel，AI 要變成基本素養，人人都懂人機協作，定義問題解決問題。如果執行順利，AIA 會在生態系統之中生生不息。
適合的讀者
作者分享對台灣產業數位轉型的焦慮，許多有同樣焦慮的讀者也被吸引而來，讀完這本書可以預期有的收穫有五：
- 了解人工智慧學校，明白自己適合技術領袖培訓班或是經理人研修班。
- 看白話版人工智慧的主流模型和問題分類
- 零零星星的傳說聽得太多，看看正統的說法。
- 了解人工智慧應用場景
- 在自己的產業中思考人工智慧的應用
- 思考在人工智慧產業化的價值鏈中，要佔在哪一環節
學習模型
現代人工智慧的學習模型有三：
- 專家系統：領域專家訂好規則，給機器照規則處理現實狀況
- 傳統機器學習：領域專家標註大量資料並且做特徵工程
- 深度學習：自動化的特徵工程，亦即自動發展出衍生變數
深度學習最適合處理非結構化的資料，如人類五官能識別的的文字、聲音、影像。序列資料如：溫度、濕度、亮度。
以人類的五官來看，深度學習最接近人類的學習。
人工智慧的問題分類：
監督式：F(X) = Y，X 為輸入的觀測值，Y 為決策輸出，要找出函數 F(X)。
非監督式：只有觀測值 X，沒有決策輸出 Y，要找出分類規則。
增強式學習：直接和真實環境互動，大量學習試驗。譬如：AlphaGo 和 AlphaZero。
AlphaGo 先透過監督式學習學習歷史棋譜得到早期版本，再由兩個 AlphaGo 在 40 天內對弈 3,000 萬盤棋，歸納出人類從來沒有的棋路。
AlphaZero 則完全不用監督式學習，直接進行增強式學習，在短短三天的輸贏之間成為棋力最強的版本，超越所有人類棋士和其他棋類的人工智慧。
程式已不須人類給的起始知識，直接和環境互動，自行歸納出超過人類的更好決策，沒有情緒，不會因為疲累而判斷失準。
人工智慧的應用場景
和情境低度相關，愈多維度的決策愈適合。例如製造業的應用有四：
- 瑕疵檢測
- 自動流程控制
- 預測性維護
- 原料組合
讀者可以一邊讀一邊思考自己所在產業的應用。
利用三個條件，問個好問題交給人工智慧來處理：
- 決策值 Y 的情境和各種條件，能不能被大量記錄成觀測值 X
- 成對的觀測值 X 和決策值 Y 有數量夠多而且高品質的資料
- 觀測值 X 和決策值 Y 的關係是穩定的
人工智慧的導入
定義出問題之後，如何落地的議題有三：
- 資料的收集和清理
- 跨部門的合作編組
- 建立人工智慧團隊
#1 需要花上數個月，因為資料分散在各部門，例如：製造部、品管部、研發部、生產管理部門，各有各的資料，品質也未必佳。需要花上好幾個月的時間重新清理，建立高品質的資料庫。
#2 上述資料清理收集就需要跨部門的合作，互相開放資料，也需要各部門花心力收集重建資料。
#3 內部的人工智慧團隊，才能讓持續根據公司設備或是營運的指標變化，來調整機器學習模型。
由上可見，牽涉到文化的改變，以數據和實驗驅動的決策，組織的協調整合，人工智慧的導入由上而下來進行才有成功的機會。
引入外部顧問，高層不熟悉或是不方便動手的就交給外部顧問來主導，高層只要扮演支持的角色。
人工智慧的落地會造就相關顧問行業的興起。
決策者要先知道的事
人工智慧要發揮作用，首先要補足大數據，並且建立以數據和實驗來驅動決策的文化，決策者在發現人工智慧的結果違反直覺時介入。光是補充數據就要花上數個月甚至一年的時間。
人為依賴圖表或報表做決策，為了強調重點或是因人為的侷限，經常會過於簡化。深度學習能看見人類無法識別的訊號而貢獻出不同的決策。
後記
2012 年深度學習在史丹福大學一舉成名，許多開源碼可以下載，如 Google 開放 DeepLab V3+，Google 上也可找到資料庫，含 GPU 的機器也很容易購買。 人人都可以實作訓練自己的模型，感受 AI 的威力，如果可以延伸到大一高中計算機概論課程，對國家的幫助將很巨大。
相關連結
人工智慧民主化在台灣
孔祥重校長致詞
我讀<<人工智慧>>在台灣搞懂的四件事
如何透過 AI 技術轉型傳統產業 - Landing.Ai
AIoT 智能晶片的演進與設計
