心得：心得最好早點寫免得之後忘記當下的感覺…
本文重點會著重在 Marco Chen 的 Natural Experience with AI Technology，投影片開始就放張大大的
之後大概介紹了一些AI 的概念，說LINE的AI系統會學習，思考，做決策等等，但會做這些事的應該是 LINE 的工程師，這些工程師將這些學習思考的過程自動化，在LINE的平台上實踐，
上圖是LINE目前的 AI 發展狀況，綠色是已經成熟的技術，亮白色成熟度較低一些，暗白色處於幼稚園狀態，看到這張圖讓我想到前陣子美國MIT教授Max Tegmark 的新書 Life 3.0 : 人工智慧時代，人類的蛻變與重生 內的一張圖
海平面是 AI 已征服的領域，越低谷的地方代表 AI 的成熟度越完整，AI模型目前在確定有邊界的及明確答案的領域非常得心應手例如圍棋，西洋棋等等，但在與真實人類的互動上就顯得相形見絀，例如創作，社交等等，這些領域就算是人類本身不斷學習也難以臻至完美，對機器來說也是如此。
回到LINE身上，LINE 的 AI 團隊致力於利用 AI 產品帶給使用者更好的體驗， 也利用了現有的 AI 技術發表了許多不錯的產品例如 LINE MUSIC中的 AI DJ，推薦好的音樂給用戶，或是 LINE TODAY 推薦文章等等。
接著Marco提到LINE下一階段的發展，
不意外地 LINE也是朝著讓平台透過 AI 學習機制，來讓平台更加人性化，LINE似乎也不吝嗇於分享他們的 AI 技術，這方面我覺得可以期待他們還能提供更棒的服務。
最後 Marco 提到 LINE的資安問題，LINE方面請了一位擁有非常優秀資歷的資安專家 SeungJin Lee，來確保他們的資料安全，幾年前台北市長柯文哲曾說都用 LINE與幕僚溝通，當時 LINE 有被質疑資安方面的安全，隨著用戶越來越多 LINE 也開始重視資安以及資料取得利用之間的平衡了吧。
Timeline Post Recommender System
在LINE 的Data Science Dev Jihing Lee 的演說中介紹了 LINE 的 Timeline Post 推薦系統，
Jihing Lee 所遇到的問題跟我們公司的推薦系統所碰到的瓶頸一樣，資料矩陣的空值太多，推薦系統建立初期，用戶的資料非常稀缺，資料工程師在這時期都要變能為無米炊的巧婦，在茫茫的空值大海中尋找有用的特徵，讓推薦系統做出最佳選擇。
但資料的稀缺並不一定代表推薦系統的效果不好，推薦系統本身的容錯度是很高的，例如當使用者每次打開 Netflix 或是YouTube時，看到系統推薦較陌生內容的影片時，並不會太在意，或是可能會意外喜歡（serendipity），所以在使用者資料稀缺的情況下，還可以從被推薦的內容中的個別元素下手，看哪些元素是被大多數用戶喜愛，系統能根據這些依據而做出最佳的判斷。
類神經公司目前所使用的智慧受眾推薦系統，即使在用戶資料稀缺的狀況下，大部分的推播所找出的10%受眾都能提供絕大多數的點閱數，若累積了足夠的資料，將能找出更加精準的受眾包。
總結:
這次LINE TECHPULSE 給我的最大感想是 LINE 的野心非常大，想跨足的領域非常多，想讓 LINE成為眾多用戶接觸外界資訊，新聞，音樂，影片的第一窗口，我個人非常期待 LINE 接下來會提供的更好服務。
聽到 Jihing Lee 的 Timeline Post Recommender System演說時，我感到一陣熟悉，沒想到 LINE在開發推薦系統時也跟本公司在開發智慧受眾推薦系統遇到相似的問題，在解決方式上雖然有些差異，但都是走相似的路徑，先利用現有資源再慢慢進步，用 Jihing Lee投影片末張的一句話做總結。
Perfection is not attainable, but if we chase perfection we can catch excellence.
Vince Lombardi
對推薦系統有興趣的朋友歡迎掃描下面 QR code 加入本公司Line chatbot 討論。
