Ai識別車輛的能力造就了自動駕駛能力的差異！能正確識別車輛，可以有更多的整合及應用方式。若無法正確識別車輛系統，在判斷上需要的元素相對少，判斷雖然不精準，但還是可以滿足大多數的情況下。
Volvo : 人為主，汽車為輔
離線輕度Ai學習能力，依靠固定的演算法去計算與車輛之間的關係，同時亦無法前方是否為車輛。
有速度才能判斷前方有沒有車輛，不然就會撞上去了
優勢
- 前車碰撞預警及輔助煞車及主動煞停表現效果好
- City Safety介入表現好，往右側切換車道，當右側有來車，主動鎖住右轉
- 對於市區中複雜的人流與插隊表現較好
缺點
- 無法識別靜止汽車（當使用輔助駕駛若前車靜止會直接撞上）
- 判斷是否有前車皆需要相對位置與速度才能判定
- 僅能判斷前車，前前車無法判斷
絕大多數的Chatbot的分眾方式也是依照相對的互動結果產生分眾，包含了活躍程度等等，但其實這樣的判斷不夠精確，因為你並不了解每個事件背後的價值，只能依照固定的行為做出固定的判斷。
Tesla：汽車為主，人為輔助
具備Ai學習的能力，當有來車要插隊時能夠正確的判斷插隊，並且具備圖像識別車輛的能力。
高速公路上幾乎判斷大多數的情況，同時可以正確識別插隊的行為，或是前方是大客車、小客車等識別技術。
優點
- 可以識別靜止的車輛，同時也可以識別汽車行人
- 不需要相對速度就能使用輔助駕駛（可以正確判斷車輛）
缺點
前方有車插隊，或是前方有車子煞車較劇烈，車子同步也會做出相對的緊急煞車的感受，感受較為不舒服
複雜的交通情況時，煞停的感受會更加強烈
Chatbot的行為判斷也是一樣的
其實大多數Chatbot中，不會真實的去判斷到底哪一個行為權重重要，因此大家都在計算互動次數而已。
這也是目前LINE推出2.0後大家所遭遇到的問題一樣，不知道我該怎麼定義用戶到底該貼上什麼標籤，這個標籤真的有價值嗎？還是我只要能貼上越來越多的標籤就表示我分眾做好呢。
其實Ai沒有這麼神奇，就是Look Like
就如何轉換優先的目標一樣，我們也是找出LINE中最有價值的行為，並且回推這些用戶都做過哪些事情，並且找出當有相同行為的用戶時，我們就會主動推薦給你。
透過上面圖表可以發現，最後有一群的結果是購買的行為，所以這個時候我們會去分析這群有購買特徵有哪一些，進而去找到並預測，當我推播訊息時，他會不會去觀看並且購買
透過上圖可以發現，有購買的群落可以分布如白色那個群落，當然真實的狀況並不會分布的如此明顯，以初期來說，這個分布狀況會較不明顯，因為購買的人數一定小於帳號的人數，因此找出這群適合的人，就是資料科學家需要做的事情啦。
請參考以下兩個內容連結
驅動Aiii類神經平台的兩大系統核心
動態標籤、智慧推薦系統
當然除了推薦系統之外，另外一個重要的核心架構就是動態標籤啦
動態標籤可以判斷每位用戶瀏覽過的內容、點擊過的內容、一瞥過的內容、等等自動的給予標籤以及分數權重，來讓系統幫助做分眾
當然除了能夠自動貼標籤之外，事前的規劃標籤表也是相對重要的
事前規劃才能事半功倍
一間有遠見的公司總是能未雨綢繆，隨著公司茁壯，用戶也將越來越多，資料量也將會隨之膨脹，而資料庫的建立就像是打地基一樣，如果地基不穩，後果則不堪設想，同樣的標籤的建立也應當從一開始就打好穩固的基礎架構，往後才能應付更錯綜複雜的用戶輪廓，也才能讓資料人員更有效率的分析洞察，初期建立架構或許辛苦，但與其貪圖一時的方便導致最後得重頭來過，先設想好未來會遇到的問題，終究才是最明智的！
— 出自 —
Aiii類神經網路公司致力於判斷標籤以及物件的權限分數等等機制，不讓標籤只是定值、或是只是固定的演算法所判斷出來的機制。
如同特斯拉致力於做出全自動駕駛車一樣，能夠正確的區分權重、歷程記錄，才能真實的找到真正有價值的使用者。
當然特斯拉的識別車輛的能力也會隨著光線、或是氣候狀況受到影響，因此這時候依然需要有固定的演算法的機制取代，所以如何選用正確的方式判斷該給用戶什麼內容，就趕快來類神經網路諮詢吧～
延伸閱讀：LINE官方推薦系統
https://ithome.com.tw/news/134323
LINE Brain部門主管Shinichiro Isago進一步以Smart Channel（個人化訊息推播）中的推薦機制為例，解釋如何從蒐集來的資料，變成產品AI功能。
用來打造個人化推薦的資料來源有兩大類，包括了使用者的行為記錄（Logs）和所看的內容。LINE再透過使用者特徵值和內容特徵矩陣，將這兩類內容各自轉換成特徵向量，方便供ML演算法訓練之用，來打造出三個與個人化推薦相關的3個ML引擎，包括了推薦引擎、相似度引擎（Lookalike）和人口基礎變項數據預測引擎（Demographic prediction），結合這三者就可以來塑造出個人化推播服務，把AI推薦的內容提供給用戶。同一套ML推薦引擎，也會運用到其他服務，包括了貼圖、新聞、數位漫畫或數位廣告服務上。
