參加 AAAI-19 的會議心得
AI 也用在 Streaming？
在開始分享參加會議的心得之前，簡單幾句話聊一下，為何身為一個 KKStreamer，要去參加 AAAI 年會，一個以探討 AI 議題為主的國際學術會議。
因為呢，從 Streaming platform 身上可以接觸到的資料實在是既大量又多元，大量就代表能滿足各種模型對於資料量的基本要求，多元則表示導入 AI 應用情境的想像空間是很大的。
除此之外，Streaming service 會處理到的題目更是形形色色，有影像又有文字內容、有智財又有個資等社會議題、能玩推薦系統又能玩資料處理，而其實這些主題都有涵蓋在今年的 AAAI 年會之中了。
在這麼多的主題之中，由於過去背景和團隊目前參與專案的考量，在出發之前便鎖定了自然語言處理 (NLP) 和推薦系統這二個大題目來參加會議。
新加坡學術團隊的 Industrial Solution
到了夏威夷之後，第一個參加的議程是介紹推薦系統近年發展的課程：< Recent Advances in Scalable Retrieval of Personalized Recommendations (連結) >，主題是透過新的特徵建構方法，在需要維持準確率、以及資料筆數龐大的前提下，仍能提升相似度比對運算的效能。
而其中的幾種作法，正是目前專案在實驗導入甚或正在使用的，可說滿貼近目前業界的需求。在課程的簡報資料中，也附上多篇相關領域的學者在近年發表的論文，相當值得研讀，更能夠讓我們參考並用以改進專案成效。
在學術會議的場合，除了聽講，也有很多可以仔細觀察的地方，其中，像是講者的所屬單位。而這場課程的主辦方是來自新加坡的一個學術團隊。
因為我去年曾在新加坡待了一小段時間，當時便感受到他們從上到下對於發展 AI 的積極程度，像是投入國家資源進行基礎研究，或是吸納鄰近國家產官學界人才等作法，都能讓台灣政府或者公司參考及對照。
推薦系統 x NLP
第二個參加的議程，則是「推薦系統與 NLP 相見歡」的專題研討會：< Recommender Systems Meet Natural Language Processing (連結) >，主題包含：推薦系統如何結合 NLP、如何用NLP 方法改進推薦效能等，其中較有趣的論文主題是，如何用聊天機器人推薦電影、如何用時序模型 (如 self-attention 等) 分析使用者的購買紀錄及預測等。由於題材新穎但稍微發散了點，建議可以挑選有興趣的文章來閱讀即可。
世界一流研究單位的近期研究成果
在兩天的課程及專題研討會之後，便是為期三天半的主議程，然而主議程的研討主題數量多達4、50個，因此便看到了一些時段有10個主題在同時進行的情況。但是，有些熱門主題如機器學習、電腦視覺和 NLP 等，其會議室是場場爆滿，人潮是既坐滿走道更湧出門外；有些卻是台下景況淒涼、觀眾零零落落，可以說各主題講者的心情是如人飲水，冷暖自知。雖然選場次就像是在超商冰櫃前選飲料一樣艱難，但是晚上還有展出論文成果的場合，可以到攤位參觀白天錯過的講題，不必擔心會有遺珠之憾。
至於 NLP 的部分，光是隸屬在它底下的主題場次，就橫跨了整整三天的時間，探討的問題非常多，包含了知識問答 (QA)、對談 (Dialogue)、資訊萃取 (Info. extraction)、語意摘要 (Summarization)、和分類 (Classification) 等等。
因為目前的工作會需要處理大量資料的實體辨識 (Entity recognition) 和新詞處理 (OOV) 等問題，因此特別挑選了來自一流大學及公司的作者講題，像是 CMU、劍橋大學、慕尼黑大學、Mila、Google Brain、Facebook AI 等，就近了解他們近期的研究成果。
除了上述的議題，也了解了其他有興趣的主題，包含：跨語言的語意表示式 (multilingual embedding)、重述 (paraphrase) 、群聚、電腦視覺、強化學習、AI 在業界的創新應用 (IAAI) 等等。
其中有一篇印象非常深刻的論文，是來自韓國 KAIST，判讀車禍是否即將發生的影像模型 (可能用於即時閃避來車) ，由於不易取得大量訓練資料 (總不能買一貨櫃的各種車款來撞然後報帳，或是自己動手標記 — -親自下海開車吧)，所以他們的解決方式是…狂玩 GTA 然後錄下大量撞車的片段！
其實，這種透過遊戲或模擬環境來取得大量訓練資料的作法，已經越來越常見；而這種資料取得的問題，真的非常值得我們這些有志訓練好 AI 模型的工程師多多發揮創意，來想出既有趣且有效的解決方式！
It’s show time!
在主議程的三天期間，每天晚上各有2小時的 Poster & Demo program，展示內容包含： (1) Poster — 白天各場演講的內容；以及 (2) Demo — 導入機器學習或深度學習模型後，架設的軟硬體系統及其功能，且需同時展示說明海報及可動的成品。
由於在加入 KKStream 團隊的前夕，向 AAAI 投稿了一篇 demo program paper 且有幸被徵選上，所以在主議程第二天晚上，之前所屬團隊也在攤位上展示海報和網站 (如下圖)。該網站的主要功能，是處理美股上市公司年度財報的文字內容，分析單字、片語/慣用語、句子等層級的財務情緒，以預測該公司未來的股價波動程度是高或低。
有趣的是，因為海報的風格有別於一般學術單位，而且單位的英文名稱較為典雅，所以在攤位上佇足參觀的許多人都以為中研院是間新創公司。另外也觀察到，在這攤位停留較久或詢問較多的人，所屬單位都是以公司居多；其中，印象最深刻的是兩位來自日本的資料分析師，他們是來自那種「搜尋 ”日本最大證券公司” 就看得到名號的」公司，操作把玩網站一陣子，也詢問了不少實際應用的問題，看來是認為這個網站的確可以幫助到他們日常的工作。
後記
根據目測得到的非正式統計結果，參加會議的單位以中、印兩國佔大宗，其次才是歐美日等傳統科研大國，再者是台韓新、中東歐等國，台灣團隊的所屬單位則以台、清、交、中研院等為主。
另外，據說在全世界 AI 研究都陷入低潮期的那幾年，AAAI 年會的徵稿曾經相當不踴躍，幸好最近重返榮耀，投稿數量年年攀升。但正因為數量爆增，一是晚間展示的人潮相當洶湧，熱鬧程度堪比饒河夜市，導致每個人都需要擠過人潮才能走到想看的攤位；二是整體而言，論文內容的品質並不太一致，稍微不符合原先的期待。因此，我們今年也會努力準備，將研究成果和進展投稿其他頂級學術會議，也期待我們下一次的分享吧！
