WiDS Taipei 2021｜有溫度的 AI — 陳佩君 Trista Chen, Ph.D
講者介紹-陳佩君 （Trista Chen）📍Trista 目前在英業達集團擔任人工智慧長，帶領團隊開發與深耕智慧製程、醫療人工智慧及機器自動化領域。在加入英業達前，Trista 也曾參與過無數的新創與研究團隊，包括在 Intel 開發出目前最為廣泛應用，下載次數超過 1800 萬次的電腦視覺程式 OpenCV；她也曾為 Nvidia 開發出公司首個影像處理器。除了企業實務經驗，Trista 雄厚的學術累積也不容小覷，她擁有 CMU 博士學位，共同著作了超過 30 篇學術論文，並且握有多項專利，如此豐富多元的經驗也讓她成為各大論壇與學術機構爭相邀請的熱門講師。
▍Part1 AI Disruptive Innovations
Automation
科技製造業有個很大的問題是QA，希望到達客戶手上是完美的產品，避免刮痕、撞擊，一般工廠做法是透過人力辨識，員工容易有疲勞問題；透過AI判定正確率、詳實紀錄有問題的產品進行分析，無人工疲勞問題，讓AI透過學習大量好的筆電資料，當有壞筆電資料出現時，就可以判讀出來（如上方右圖）
Self Learning
初期在真實小狗身上貼標，製作AI小狗；透過教AI小狗如何走路，發現訓練出的小狗不如預期；透過Reinforcement Learning概念改善原先AI小狗的走路方式，隨著時間長度訓練AI模型
Super-Human
在疫情肆虐的時刻，研究員需從密密麻麻的病毒碼中拆解結構找解決辦法，因病毒碼與ACE2受體卡在一起時，會對人體有害；透過open AI program找類似問題解法：『從一個字串的句子找出照片甚至是3D結構』
在生物化學界有個競賽是CASP，過去50年無人可解的問題，透過AlphaFold出現，透過全人類努力可以在短短一年內獲得初期結果
▍Part2 Humanity at Risk
AI跟人類相比，人類反倒製造更多問題，人類是不是世界進步的阻礙？
AI可能產生的問題：
塑膠袋造成AI錯誤判讀，導致車禍發生；AI會有些看不到、想不到的情境產生，domain knowledge並沒有像人類ㄧ樣廣泛
需了解AI的偏好是來自於Data，在使用Data之前，要先看好是否已經內建有偏見的數據！
使用 AI 需信任，可以很省力，但看到不一定是真實的；若受到資訊干擾，極有可能產生風險
AI 需要強大的運算能力，牽涉到設備、資源、預算，不論是在國家或是公司，以目前來說 AI 較強、專利數多的大國是美國、中國，不太會聽到小公司做 AI
以個人來說，QA 研究員很容易被 AI 取代，是高取代性的工作，相對的具有創造力的工作不容易被 AI 取代，會造成 M 型化社會，貧者越貧，富者越富，比較容易被取代的工作價值也比較低
曾經透過網路爬蟲爬取美股、台股，但因社會是動態變化的，過去的投資表現，並不代表未來的表現；就如同股市是動態變化的，特性會改變
任何革命會帶來的問題，其實都是在於人類的社會將人文、科學分的太開，提供大家反思
▍Part3 Human-Centered AI
AI 是工具，要了解技術的用處與極限，才有辦法好好地使用這項工具
自動化瑕疵檢測可以應用在不同領域，MRI 腦部核磁共振技術，找出腦部病變
利用時間序列技術預測客戶缺件需求，同樣的 AI 方法應用在人類福祉健康，讓衛生所的家庭計畫可以順利推展，適當配發避孕藥，協助教育第三世界的婦女，讓整體生活水準獲得提升
觀察過去50年地球表面溫度分佈，分析未來溫度分佈，做超前部署的都市、城市工程計畫，幫助全人類對抗氣候變遷
▍Slido Q&A －預算成本
Ｑ：想請問關於落地成本相關，目前 AI 是發展趨勢技術，但相對應來說企業或是面對商業情境來說對於 AI 願意付費使用的情況其實比預期還低，請問身為人工智慧長怎麼看 AI 商業化這件事？
Ａ：產業 AI 化（大家會計算 ROI，投入開發後幾年可以回收），AI 產業化（新產品概念但市場不存在，開拓新藍海難以計算成本）
產業 AI 化：取代人力、省了原物料成本，用data-driven告訴老闆效率效益
AI 產業化：創新 to the future，避免故步自封
▍Slido Q&A －運算效能
Ｑ：邊緣運算和雲端運算一定有很明顯的效能問題，目前英業達的 AI Team 如何在邊緣裝置做到保持精度的？
Ａ：邊緣運算和雲端運算是很大的差別，雲端運算可以無限擴展，效能比較好，邊緣運算無須傳送至雲端，可以及時告訴你入侵者是誰，雲端運算需要等候幾秒鐘的時間；在AI應用可透過資料量縮減的方式，擷取特徵；應用面可以看屬性來降低成本
▍Slido Q&A －影像辨識
Ｑ：請問在應用影像辨識AI到英業達的製程上，是否有遇到什麼實際執行上的困難呢？如何解決
Ａ：不同場域的新嘗試，需要跟專家溝通，必須要能夠跟對方解釋說明，在做AI 專案時，要跟合作方好好溝通，透過迭代、傾聽使用者的回饋，適時調整專案流程，記得要讓使用者買單解決方案
