【 Demo Day The Innovators 5 新創搶先報2⃣】
本次Demo Day除了有 新北市-亞馬遜AWS聯合創新中心 Batch#5的新同學外，還有Batch#4的成員以及來自 新北創力坊 InnoSquare的優秀團隊一起共襄盛舉，今天繼續為大家點名介紹👏
📍 分子智藥
VIRTUALMAN能預測臨床前藥物開發的實驗結果，並提供明確的藥物最佳化指引，不同於傳統AI工具的「黑盒子」，VIRTUALMAN革命性的可解釋人工智慧技術，讓客戶理解AI模型分析結果，以快速取得進展並降低60％錯誤率。透過精準易懂的預測結果，配合分子結構的修飾建議，替客戶減少不必要的實驗，節省時間成本。
📍奎景運算
提供FAST-AI-深度學習的加速工具，透過最佳化環境設定與自動化運用多台GPU伺服器，加速AI模型訓練工具並1鍵部署到大量的AI終端。FAST-AI為AI研發工具提供快速、簡單且支援不同的雲端硬體。透過簡單的工作坊，公司內的領域專家便可使用，節省開發時間比對手先一步取得先機。
📍智慧貼紙
為各行業提供工業4.0/機器無痛升級方案，以最低的學習成本和較高的投資回報率升級機器。Smart Tag為整體解決方案，由軟性電路板黏貼至機器表面，進行多點位資料蒐集，如震動、溫度及濕度等紀錄，再串接至客戶端系統或者上傳雲端數據中心，藉由機器學習及數據模型進行分析，並預測機器的運作模式，解決工廠產能及良率的問題。
📍極現科技 Earthbook
earthbook無人機任務及數據服務平台提供多種無人機影像、空拍直播與光達掃描等，為線上下單、即買即用的創新空拍商業服務，需求者毋須再煩惱無人機之購置、維護成本，並可將成果透過瀏覽器在平台中直接套疊其他資訊做加值利用與AI分析。從空拍到應用，earthbook以自有技術建立4D雲端DaaS平台，提供客戶完整服務。
📍玩咖旅行社 Tripresso 旅遊咖
專長資料串接與數據整合，提供B2C與B2B服務，建構多樣化的旅遊場景解決方案，從全球供應鏈串連、即時線上訂購、後端管理系統與企業所需的簽核、報支等管理功能等，提供消費者、企業客戶與旅遊同業一站式的系統，期待藉由數位轉型與技術開發，減少人力耗費，達成節省成本與增加效率的成果。
📍必揚實境科技 Veyond 必揚實境
本於期待科技創新可為人類生活帶來進步與改變的宗旨，相信教育與訓練的創新和科技化是值得耕耘又深具意義的領域。與各種具備專業知識的單位攜手合作，結合我們自身對於虛擬世界及網路應用的堅實基礎，共同建構各種教育、醫療護理、技能訓練等相關的創新解決方案。
📍米菲多媒體
以技術為核心，擁有多項發明專利及新型專利技術，致力提供XR核心技術開發及硬體整合服務，完善沉浸式體驗流程。2018年上線全台唯一的AR/VR/MR開發平台「MAKAR」。使用者不需學習程式，就能自由創建XR數位內容，發揮創意及想像力。米菲也與AR眼鏡、VR頭盔等設備商合作，進行軟硬體整合，提供SDK技術支援，並於2021年發佈可以直接在網頁觀看的「Web XR服務」。目前協助500家智慧工業、智慧教育、智慧醫療及商務客戶，達成操作培訓、產品演示、資訊管理以及數位轉型等創新XR應用。
📍圖題迷 TUTEEMI
由瓜地馬拉與台灣的創業家共同創立，是一家媒合外師家教與台灣人的平台。TUTEEMI解決語言與文化上的隔閡，提供台灣人與外師家教友善且安全的教學環境。依照每位學生不同的需求，與外師擬定課程，成為外師與學生的橋樑。目前平台上的外師家教來自17個不同的國家，提供的語言教學包含英語、法語、西班牙語與葡萄牙語。
📍凱匯金融科技 iEstate土斯債權
iEstate土斯債權為P2P借貸媒合平台，專注於解決中小企業、建商、不動產資金需求領域。運用P2P的特性，同時降低資金需求者資金成本，提高資金效率；降低債權人參與借貸門檻，提高借貸報酬，並合作區塊鏈圖靈證書，讓所有法律文件皆可上鏈存證。金流全面與銀行及第三方支付公司合作，確保iEstate不經手金流，搭配專業的案件審查團隊，創造P2P普惠金融的價值！
📍諾亞教育 諾亞教育 Know - Ya Edu.
由一群過去為補教老師、家教老師的成員所創辦，過去的教育體系並無法讓學生真正找到學習的意義以及熱忱，因此希望透過STEAM教育的模式打造一個全新的教育環境，讓學生們也能在快樂、有趣的創新環境中學習。最終願景是希望透過課程建立清楚的教學典範，再透過內容創作與電商，將諾亞教育的理念傳遞給更多的家長與學生。

不想錯過19家優秀新創的精彩分享❓
那怎麼還不報名Demo Day The Innovators 5⁉
立刻報名請點我👇
https://www.accupass.com/go/ntpcawsjic_demoday5

關於AI面試的假神準
.
我們實驗室透過產學合作與鳯凰互動以及震旦雲合力開發的AI面試系統，最近在工商/經濟/數位時代/天下雜誌Cheers/經理人/能力雜誌等媒體陸續報導，當然就開始引起許多質疑的聲音，這幾乎是所有產品創新與實驗都會面臨的挑戰。其中有一點，就是我們的AI面試模型，是否有"過度擬合"的問題，而造成"假神準"。我的答案是，”不排除這個可能性”。
.
所謂過度擬合 (Overfitting)，簡單說就是在機器學習或統計相關的過程中，把原本不相關的兩件事在大量數據中，建立出假性相關的結果，當我們把這個訓練好的預測模型用到下一批不同數據中，就會失準。例如，我們想預測什麼樣的學生適合當HR，找了一批當HR的履歷來分析並訓練AI模型，結果這批HR大多都來自北部，就會得到住在北部的學生比較適合當HR的假相關。
.
要降低過度擬合的可能，在技術上有一些方式，例如進行更多不同樣本的交叉驗證、去掉不相關的特徵值(例如: 來自北中南東)、在模型訓練過程中進行批歸一化 (Batch Normalization)與正則化(Dropout)。但以上都是只是表面的技術層次，更重要的是模型背後有沒有理論基礎，也就是變項與變項之間的關係詮釋。
.
表情除了反應情緒，可否反應一個人在特定情境下的行為傾向或社交印象，背後有透鏡模型(Lens Model)、 信號理論(Signaling Theory)的支持，結合電腦視覺與深度學習，形成另一支性格運算(Personality Computing)的跨域理論。筆者之前也發文分享，現代社會心理學家，已發現表情其實不盡然反應情緒，而是行為傾向或社交技巧，這背後的理論叫行為生態論 (Behavioral ecology view of facial displays, BECV)。缺乏理論的數據分析或機器學習的結果，有可能會誤導真實性。但缺乏實證數據的理論，終究只是個假設。理論與實證數據缺一不可，我們才能有較高的信心來”參考”這些數據結果與理論。
.
過去研究人類表情的大宗師是心理學教授Paul Ekman，他結合電腦視覺技術，捕捉人類肉眼難以察覺的微表情 - 學術界定義是五分之一秒以下，突然呈現的面部肌肉變化。早期是用臉部68個移動點(不含額頭)，現在有些學者會抓到86點到120個點以上不定(含額頭)，而這些微表情大都是由人類下意識情緒所觸動，最常被用來測謊，因為微表情反應當事人”可能”在說謊的情緒，且不易被當事人控制或破解。但這終究是間接的關係，就跟心跳測謊儀一樣，它測出來的是緊張，而緊張不一定等於說謊。即便如此，運用電腦視覺的AI，推估一個人是否在說謊的正確”機率”，雖然不是絕對答案，但仍比人類肉眼判斷還高。這解釋縱然Paul Ekman的基本情緒論一直備受挑戰，在學界也仍無共識，但這類技術仍被廣泛應用的原因。
.
屆至今日，我們都相信眼見為憑，也相信面試除了透過結構式面談問出應徵者過去的行為外，也能在過程中，讓面試官根據回答之外的非口語信息”判斷”一個人的性格或溝通技巧，起碼可以篩選掉一些”看起來”或”感覺”怪怪的人。但你問面試官，他們也說不出個所以然。重點是，許多相關研究發現，這類面談答案以外的弦外之音，常常被人類面試官誤判。倘若有一個工具，它的性格/溝通技巧是經過當事人自己、主管、同事、下屬、甚至客戶，以科學檢驗過的量表或工具在適當的實驗環境下進行測評，運用AI發現與當事人在真實面試中的微表情出現某種相關性，且這個模型再去測試另一批不同的應徵者也能得到不錯的預測結果，或者同一個人經過一段時間再進行一次測試，也能得到相似的結果。我們也只能說，這只是一種一致性與且正確機率較高的測評參考工具，在深度學習黑盒子下，也沒有辦法解釋什麼樣的微表情會有什麼的性格或行為傾向，這個技術仍在發展中，不代表真實答案。
.
那什麼是真實答案? 或許連當事人自己都不一定知道。 但運用在人力甄選中，雇主可能更在意的是當事人在職場環境中展現出的行為以及利害關係人對當事人的評價，至於當事人內心世界在想什麼? 或真實的他/她是什麼樣的人？使用者大多不是太在意!
.
https://www.ithome.com.tw/news/143000

.
AI面試是一個仍在發展中的技術，除了微表情，接下來我們會結合聲律、音質、上半身肢體動作，研究與測試這個測評工具對於性格、印象管理(包括自我包裝/欺騙/隱瞞)的信效度，以及應徵者在不同AI面試介面下的不同行為反應。關於我們的相關研究，除了專利技術外，都公開發表在SCI的期刊中，歡迎大家指教，讓這個工具可以更客觀更準確地被大眾使用:
.
https://doi.org/10.1007/s11554-021-01071-5
https://doi.org/10.1186/s13673-020-0208-3
https://doi.org/10.1109/ACCESS.2019.2902863

2020人工智慧的預測~

本文來自量子位微信公眾號 QbitAI
…………………………………………………………
吳恩達邀請9位AI大牛暢想2020：李開復看好醫療教育，LeCun強調自監督學習

2020，AI的研究會有哪些突破？

2020，AI的應用又會有什麼變化？

吳恩達DeepLearning.ai旗下的THE BATCH刊物，分享了包括Yann LeCun、李開復、周志華、還有他們的老闆吳恩達在內的10位AI大佬的新年寄語，以及對AI在2020年能有什麼突破的“新年願望”。

一起來看看吧~

▌吳恩達：保持學習和好奇心

在這份「新年寄語篇」的開頭，吳恩達作為發起人開場，總體是一些關於學習新知識的碎碎念。

吳恩達說，他每年冬天的假期都會圍繞一個新的主題進行學習。

比如10年前的那個冬天，他的學習主題是教育學，雖然當時他拖著十分沉重的書箱在機場趕路，但對教育學的研究的確為後來線上學習平臺Coursera的成立起到了幫助。

而去年，當時他的寶貝女兒Nova還在母親腹中，吳恩達就在冬天讀了很多育兒書籍。

而這個冬天，吳恩達說他在研究續命——包括遺傳學、還有誇克什麼的在內的新興科學，還實地探訪去拜見了自己101歲的爺爺，爺爺用親身經歷告訴他：

長壽的秘方，就是保持好奇心。

照這個規律，吳恩達覺得自己的關注者裡會有不少人能在101歲之後依然活蹦亂跳的。

最後，吳恩達祝大家過一個充滿好奇心、學到新東西、有愛的2020年。

▌李開復：AI將在更多行業落地

李開復的新年寄語主題，是AI無處不在。他說：

人工智慧已經從發現的時代到了落地的時代。在我們主要在中國的投資組合中，我們看到了在銀行、金融、運輸、物流、超市、飯店、倉庫、工廠、學校和藥物研發中使用人工智慧和自動化技術的應用。

但是，從整體經濟的角度來看，只有一小部分企業開始使用AI，這表明AI還有巨大的增長空間。

我相信，在人類技術進步的歷史上，AI將與電力同等重要。在未來的一二十年中，人工智慧將滲透到我們的生活和工作中，從而提供更高的效率和更智慧的體驗。現在正是企業、機構和政府充分擁抱AI並推動社會前進的時機。

我對AI在醫療和教育上的影響非常興奮。這兩個行業已經為AI的部署做好了準備。

我們投資了一家使用AI和大數據優化供應鏈的公司，從而緩解了超過1.5億中國農村人口的藥品短缺情況。我們也在投資用深度學習來生成化合物的藥物研發公司，以將藥物發現時間縮短三到四倍。

在教育方面，我們看到一些公司正在用AI改善學生的英語發音，幫助學生提升成績，用個性化和遊戲化的方式説明學生學習數學。這將使教師從日常工作中解放出來，並使他們能夠花時間為新興一代的學生做更多鼓勵性的工作。

我希望看到更多明智的企業家和公司在2020年及以後的幾年中開始使用AI來幫助他們獲得更大的好處。

▌LeCun：自監督學習帶來AI革命

深度學習三巨頭之一、圖靈獎得主Yann LeCun的新年寄語主題，是Learning From Observation。

讓人忍不住把它翻譯成“格物致知”。

“格”的是開車這件小事。LeCun提到，人類學開車只要幾十個小時，但是模仿學習演算法需要學幾十萬個小時，強化學習演算法甚至需要學幾百萬個小時，這裡面一定有什麼問題。

人類可以高效學習，是因為我們人在腦海裡建立了世界的模型。嬰兒很難和世界互動，但是在剛出生的幾個月裡，他們通過觀察吸收了大量關於這個世界的背景知識。顯然，大腦的很大一部分被用在了理解世界的結構，並預測一些無法直接觀察到的事物，比如未來才會出現的東西、或者被隱藏的事物。

因此，AI的前進方向，就是自監督學習（self-supervised learning），它和監督學習類似，但是並不會訓練系統去把資料分類，而是我們隱藏一些部分，讓後讓機器預測丟失的部分，比如把視頻的一些幀抹掉，然後訓練機器根據剩餘的幀來填補被抹掉的部分。

最近，這種方法在NLP方面非常成功。諸如BERT、RoBERTa、XLNet、XLM之類的模型以自監督的方式進行訓練來預測文本中缺少的單詞，它們在所有主要的自然語言基準測試中都有記錄。

希望在2020年，自監督學習能夠用在視頻和圖像上。它會在視頻這類高維連續資料上創造類似的革命嗎？

其中一項嚴峻的挑戰是應對不確定性。像BERT這樣的模型無法判斷句子中丟失的單詞是“貓”還是“狗”，但是它們可以產生概率分佈向量。對於圖像或視頻幀，我們沒有一個好的概率分佈模型。但是最近的研究非常接近，或許我們很快就會發現這樣一個模型。

這樣，我們就能用很少的視頻訓練樣本，來實現非常好的性能預測、動作預測，而這在以前是不可能的。

當這個想法實現的時候，2020年就會是AI領域非常激動人心的時刻。

▌周志華：方法創新，方針明確

南京大學周志華教授對2020年有三個希望：

1、希望能夠出現深度神經網路以外的高級機器學習技術。神經網路已經被許多研究人員、工程師和從業人員研究並應用了很長時間，其他機器學習技術為創新提供了相對未開發的空間。

2、希望AI可以涉足更多領域，為人們的日常生活帶來更多積極的變化。

3、希望研究人員、工程師和從業者們對於如何採取措施防止AI技術的錯誤開發和濫用進行更多的思考和討論。

▌Anima Anandkumar：模擬的力量

Anima Anandkumar是英偉達機器學習的總監，也是加州理工的電腦教授。

Anandkumar教授提到，在模擬環境學習中訓練演算法會讓網路更為強大，並且能類比各種複雜的情況，在一些情況下可以解決研究人員資料不夠的問題。

她所在的加州理工已經用物理模型來類比真實資料，用深度學習進行地震預測的研究；英偉達也推出了模擬平臺Isaac。

她希望，2020年AI科學家們能認識到在類比環境中進行訓練的價值，並在新的一年產生更為重大的AI進步。

▌Oren Etzioni：工具創造平等

Oren Etzioni是艾倫人工智慧研究所的首席執行官、華盛頓大學電腦教授、Madrona資本合夥人。

他認為，AI界花了很多時間討論演算法的公平和透明性，但在應用上，AI還可以為社會提供更多幫助，比如為行動不便的人提供無障礙技術，解決教育、流浪者、人口販賣的問題，AI能對人們的生活品質產生巨大的積極影響，但現在AI界對此的研究和探討只浮於表面。

因此，他希望2020年AI界能用切實的手段讓這些處於不利地位的人受益，讓世界更公平。

▌Chelsea Finn：泛化的機器人

Chelsea Finn是斯坦福電腦科學與電氣工程助理教授。

她認為，目前的許多AI技術都能在圍棋等特定任務上取得非常好的成績，但在泛化方面做得還不夠，無法用一個機器人來完成多個任務。

比如，識別ImageNet上的圖片需要一個模型，但如果機器人需要與環境交互，那為每個任務都創造一個ImageNet那麼大的資料集是不切實際的。

因此，她也在進行更多賦予機器人泛化能力的研究。如果強化學習的臨界品質發展和泛化有所突破，會是非常令人振奮的事情。如果能應對這些挑戰，機器人會比現在的更加智慧，而不僅僅是停留在實驗室裡。

▌David Patterson：快速訓練與推理

David Patterso是加州大學伯克利分校的電腦科學教授，RISC-V國際開源實驗室負責人，也是ACM和IEEE的Fellow。

他說，過去一年，阿裡巴巴、 Graphcore和英特爾等公司都在研發專門的人工智慧處理器，而這些晶片將慢慢進入研究實驗室和資料中心。

他認為，投資數十億美元打造新穎的人工智慧硬體將在2020年初見成效。

並希望人工智慧社區能接受其中最好的晶片，來推動這個領域朝著更好的模型和更有價值的應用方向發展。

▌Dawn Song：要對資料負責

Dawn Song是安全領域的頂尖學者之一，1996年本科畢業於清華大學，現在是加州大學伯克利分校(UC Berkeley)電腦科學和電子工程教授，也是Oasis Labs 首席執行官和聯合創始人。

她認為，人們對敏感性資料的收集正在迅速增加，幾乎涵蓋了人們生活的方方面面。但使用者幾乎無法控制他們生成的資料如何被使用。與此同時，企業和研究人員在利用資料方面面臨著諸多挑戰。

在她看來，這種資料收集方式將個人和企業置於危險之中，她希望2020年應該是為負責任的資料經濟打下基礎的一年。

這需要創造新的技術、法規和商業模式。Dawn Song認為，2020年在在機器學習方面仍然存在更大的挑戰，要打造可擴展的系統來為實際部署大型、異構資料集服務，聯邦學習的進一步研究和部署對於某些用例也很重要等等。

▌Richard Socher：資訊海洋已經沸騰

Richard Socher博士畢業于斯坦福大學電腦系。2016年，自己創辦的公司被Salesforce收購後，加入Salesforce，現在是Salesforce的首席科學家。

他認為，如何處理鋪天蓋地的事實、意見和觀點仍然是一個挑戰。

比如，在你沒有讀過一個冗長的文檔之前，你很難知道你會在裡面找到什麼資訊。而且，想要知道某個特定的陳述是否正確也非常困難。

在他看來，自動提取摘要可以解決這些問題，2020年，這一技術將會迎來重大發展，改變我們消費資訊的方式。

不僅能説明人們應對不斷湧現的新資訊，而且還能讓人們進一步擁抱人工智慧的巨大潛力，創造一個更美好的世界。

原文傳送門：
https://blog.deeplearning.ai/blog/the-batch-happy-new-year-hopes-for-ai-in-2020-yann-lecun-kai-fu-lee-anima-anandkumar-richard-socher