在學著與疫情共處的過程，終於等到藝文場所取消梅花座，可以容納更多的觀眾，除了全部擠在一起的影展、電影檔期以外，有兩場劇場表演也是我等候多時的，目前一場已開放購票、一場等等中午啟售。很想說，一定難看又無聊，不介紹又深覺可惜，拜託大家不要跟我搶。
⠀⠀⠀⠀⠀
⠀⠀⠀⠀⠀
▍ 莎士比亞的妹妹們的劇團《#混音理查三世》
　Richard III：The Remix Edition
　https://reurl.cc/LbY30X
⠀⠀⠀⠀⠀
莎士比亞筆下的英格蘭國王理查三世是個邪惡的角色，他以說故事的方式扭曲歷史，《混音理查三世》是王嘉明導演第四度挑戰關於這個題材的改編，且根據演員的各項特色才能重新編排，希望觀眾能從不同角度認識這位國王。他視音樂與聲音為文本的一部份，自大量音樂素材中挑選適合的片段，具象到抽象的聲音都跨幅取樣，重新混音莎翁歷史劇，同時以特殊的「身聲分離」形式演出，全劇十三名演員化身樂手進行 Live 演出，也因此，第四版稱之為《混音理查三世》。
⠀⠀⠀⠀⠀
故事敘述英國萊斯特市中心教堂旁的停車場，挖出疑似遺骸，經 DNA 比對，證實為理查三世，位莎翁筆下個性陰險的駝背跛子，歷史上聲名狼藉、童謠裡的怪物、邪惡的同義詞，四百年後，卻不斷有學者、作家企圖為之平反。在 2015 年《理查三世》版本中，理查三世的形象是由一件衣服、一頂帽子、一雙手套、一根枴杖所組成，金馬影后謝盈萱配音，2021 年的全新版本，則是金馬影帝莫子儀擔綱演出。
⠀⠀⠀⠀⠀
導演 —— 王嘉明
演員 —— Fa、王宏元、王靖惇、周明宇、崔台鎬、陳有銳、彭浩秦、趙逸嵐、莫子儀、李班宇、周安迪、張正元、吳智暉
⠀⠀⠀⠀⠀
⠀⠀⠀⠀⠀
▍ 非常林奕華《#一個人的一一》
　14 Variations on the Theme of Yi Yi
　https://reurl.cc/Ok4AE3
⠀⠀⠀⠀⠀
「這是和楊德昌相遇的最好時間。」
⠀⠀⠀⠀⠀
《一一》除了為導演楊德昌帶來坎城影展的最佳導演，亦被認為是 21 世紀最偉大的電影之一。電影借一個台北中產家庭，訴說每一個人眼前背後的種種，故事由一個婚禮開始，以一個葬禮結束。楊德昌導演的這部電影拍於 2000 年，有著很多未來與我們的關係的啟迪。
⠀⠀⠀⠀⠀
「為什麼這個世界，和我們想的都不一樣呢？」得到楊德昌遺孀彭鎧立女士首次授權改編。電影由洋洋讀給婆婆的一封信結尾，舞台劇《一個人的一一》則從洋洋長大後展開 —— 不單只有照相機，一如現代人，他擁有更多高科技配備，唯獨還是「只能看到一半」。然而在疫情時代的14天隔離裡，洋洋經歷重新自我發現，終於從「後面」找到「前面」：一個人的未來。​
⠀⠀⠀⠀⠀
2020 年疫情爆發，林奕華導演於創作之際感概疫情之於人類巨大影響，開啟更多自我反思與提問：《一個人的一一》的創作本意，是在世界進入停擺和紛亂之際，渾沌和充滿可能之間，把各種限制轉化成靈感。由第一天開始，踏入的已不是排練室，是實驗室。這時候除了疫苗，創作也是一種藥。「我」和「你」永遠是一體兩面，一不是一，一也是一，我們從來都只是一個人，我們從來也不只是一個人。
⠀⠀⠀⠀⠀
⠀⠀⠀⠀⠀
#真的好想看嗚嗚嗚

【N世代學苑】北部共學班🔎 #品牌建構力 #課程大補帖

說到品牌行銷，就一定只能是「4P」理論嗎？👀
上週三(9/1)共學班的精彩課程，邀請到了麥當勞總公司前廣告行銷部經理-蔡建郎 #阿郎老師，帶來哈佛商學院最受歡迎的「SAVE」，用嶄新思維揭開跨境品牌策略的新頁🤩！

#從老4PVS新SAVE的概念轉變

❶ Product產品V.S Solution解決方案
👉 服務不只是根據你的產品特色，而是來自顧客需求！

❷ Place管道V.S Access通路便利
👉 採購過程比採購地點更重要！

❸ Price價格V.S Value價值
👉 價格是固定的，但價值可以成長！

❹ Promotion促銷V.S Education教育
👉 促銷是終結消費，持續提供資訊才會建立顧客關係！

　　
課程中阿郎老師也分享學習品牌策略時，#向你的競爭對手學習 其實也很有用！

觀察同業的關鍵字，找到目標群眾在搜索時會使用的同義詞👏，也透過Google關鍵字找到更多行銷邏輯，打開觸碰更多客戶的機會🔥，

當你不再侷限已知需求，數位工具可以幫你找到更多出路！💎💎💎

　　
【精彩預告】

下一堂課程將介紹「黃金聖杯」獲客成長術🏆，
並解析Youtube、FB、IG三大社群網站影音特色實務案例分析，
小編也將為大家記錄精彩課程內容，敬請持續鎖定✨✨

#麥當勞假想敵不是肯德基是711
#競爭對手不一定是同業
#改變視野讓格局能耐一起提升

--------
關於N世代學苑👉https://bit.ly/3meTo2J

#中小企業接班傳承數位成長計畫

AI 如何為公司創造更多價值？專家：2 個缺陷，要先由人類來修補

2021/05/13
採訪‧撰文
盧廷羲
張凱崴

美國人工智慧國家安全委員會（NSCAI）今年 4 月建議，國防部每年應至少分配 3.4% 的預算投入科技領域，並提撥 80 億美元研發 AI。企業方面，微軟（Microsoft）4 月宣布，將以 197 億美元收購語音辨識開發商紐安斯通訊（Nuance Communications）；後者是雲端與 AI 軟體的先驅。

從企業到國家，都愈來愈重視人工智慧，知道要想辦法運用 AI 創造更好的生活。不過，目前 AI 發展到底處於什麼階段？我們又該如何應用？

美國加州大學洛杉磯分校（UCLA）電腦科學系助理教授張凱崴形容，目前人工智慧技術已經可以幫助人類完成很多事，像是疫情來襲，電腦可以從大數據中篩選條件，自動搜尋、判讀潛在病例，幫助醫生大幅減少檢查時間，但 AI 也並非萬能，要先認知它的局限。他研究如何讓 AI 更符合人性，獲得 2021 年的史隆研究獎（Sloan Research Fellowships）。

AI 局限1. 資料寬廣度不足時，就會複製人類偏見

張凱崴認為，電腦在學習的時候，是依賴「彙整數據資料」來判斷，並沒有真正思考，如果資料來源太狹隘、不夠多元，資料寬廣度不足，電腦判斷就會出現偏差，「你跟電腦講清楚 input（輸入）、output（輸出），提供足夠的數據資料，它可以對應、學得很好，但還有很多面向 AI 做不到。」

舉例來說，亞馬遜（Amazon）2014 年推出智慧音箱（Amazon Echo），使用者口頭下指令給語音助理 Alexa 就能放音樂、查資訊。然而，有些人口音較罕見，或是用字較特殊，智慧音箱的資料庫沒有「不同口音」「不同用詞」的檔案，就可能失靈，這是當前 AI 的其中一大問題。

張凱崴進一步解釋，AI 另一項挑戰是，它無法清楚分辨「不曾出現」與「不能出現」（無法出現）之間的區別，只是從資料統計出要學的東西，無法像人類一樣進行邏輯思辨。

AI 的運作方式，第一步是輸入資料，第二步是分析，但這過程容易出現偏見。例如電腦在理解「總統」這個字，會去看四周有什麼字詞，來學習總統這個詞，由於許多總統都是男性，電腦就會「覺得」總統是男性。

這也是為什麼，如果讓 AI 學習，在它的認知裡，女性「不可能」當美國總統（因為沒有資料紀錄）。「你可以跟人類說，任何職業、性別都是平等的，但對電腦來講，這很困難，」張凱崴說明，一旦資料的寬廣度受限，電腦就容易產生偏見。

就像在自然語言處理（Natural Language Processing，讓電腦把輸入的語言變成有意義的符號）領域，張凱崴說明，AI需要知道代名詞指的是「哪個名詞」，才能運算下去。但如果資料受限，使用男性的「他」，電腦可能判斷這個代名詞是指總統、總理、執行長；但換成女性的「她」，由於數據不足，電腦就會混亂，出現系統性誤差。

他再舉一例，美國人工智慧研究組織 OpenAI 提出「生成式預先訓練」系統（GPT，Generative Pre-training），推出到 GPT3 版本，屬於書寫類 AI，電腦能夠揣測人們說完上一句話，下一句可能會講的句子，自動完成後半段。

好比有人上一句寫下「我正在和教授聊天」，系統可能推導出「我們在研究室討論學術問題」，因為電腦藉由蒐集來的語料資料中判讀出「教授」和「學術」具高度相關。但研究也顯示，GPT2（前一代版本）系統也從資料中學習到許多偏見，像是如果句子前半談論白人男性，系統傾向產生正面評價；如果句子前半是黑人女性，系統竟會產生負面句子。對企業來說，許多組織接觸 AI，想讓它們取代部分工作，首先需要留意資料的廣度、多元性，才能減少電腦犯錯的機會。

AI 局限2. 即便條件相同，也無法每次都做出正確判斷

「其實，現在的 AI 就像一台原型飛機，還缺乏穩定性。」張凱崴說，現行的 AI 就好比萊特兄弟（Wright brothers）剛發明飛機，看似可以做很多有趣的事，但「可以飛」跟「飛得很好」，有一大段落差。

紐西蘭的簽證系統曾鬧出笑話。人們上傳簽證照片，AI 掃描後，確認是不是本人，但當時系統沒有估算到某些亞洲人眼睛比較小，一名亞裔男子被判定「沒有張開眼睛」，因此照片無效。

張凱崴說，在這個例子中，凸顯出 AI 的穩定性不足，「系統沒有考慮到不同人種的差異，很死板地認為你眼睛沒張開。」所謂的缺乏穩定性，指的是 AI 沒辦法在相同條件下，每次都做出正確決策，這也是使用 AI 時，須留意的第二個挑戰。

他再舉例，許多模型可以準確分析，一則影評對電影的評價是正面或負面。然而研究顯示，有時只要將影評中一些字換成同義詞，例如把電影（movie）換成影片（film），或改寫句子，即使意思並未改變，系統卻把原本判斷為正面的影評標註成負面。這顯示AI系統還未真正了解語言的含義。

在設計這些程式時，人們必須注意到 AI 可能有局限，設定的資料範圍要更完整，考慮這些因素，就能減少偏見、落差，進而加強穩定性。

餵指令給 AI 要多元化，嘗試「換句話說」、刻意混淆

經理人雖然不一定具備 AI 方面的專業知識，但只要掌握觀念，再透過 AI 領域專才協助，也能優化系統。張凱崴指出，最直接的方法是，設計 AI 模型時，要把來源群組不同的資料分門別類測試，在測試階段讓群體多元化，並確保不同特色的使用者，用起來都沒有問題。

舉例來說，一套 A 系統擁有來自各地的使用者，如果設計者是台北人，設計系統的思維容易以台北生活為主，很可能因為當地習慣不同，導致花蓮使用者操作不順。

另一個方法，則是用不同的「語意」，去測試 AI 有沒有徹底學會一個概念。例如，有一套餐廳評鑑的 AI 系統，只要蒐集、整理使用者意見，就能判斷每個顧客對於餐廳的評比是高分或低分。那麼要如何確認這套系統的穩定性？張凱崴建議，可以利用「抽換詞面」的方法。

比如，把詞彙換成同義字，再看 AI 是否能運算出相同結果，「你可能會發現，原本評比結果是食物很美味，但如果美味換成比較困難的詞，AI 就會分不出這則評比是好是壞。」因此在訓練模型時，可以將詞彙隨機抽換成同義詞，增加 AI 的詞彙量。

第三種方式更進階：改變句型、重寫句子。張凱崴指出，同樣一句話，如果換成不同說法，電腦可能判讀錯誤，將「因為發生 A 事件，所以導致 B 事件」，改寫成「B 事件發生了，是因為 A 事件的緣故」，明明兩句話意思一樣，但 AI 很可能因為穩定性不足，搞混兩者的差別。如果要鞏固 AI 的穩定性，可以使用自動改寫的方式，增加資料的多樣性。

張凱崴表示，經過這些測試，讓 AI 接受更多元化的訓練，得到更廣的學習範圍，往後碰到同義詞、相似資訊，才能有效判讀。

張凱崴總結，AI 還在快速發展，或許可以創造更多工作機會、新的職位，但現行階段，它只是輔助角色。AI 並非魔術盒子，使用它就一定有更好結果，人們還是要保持高度耐心，先認識它的缺陷，才能在技術更迭下，發揮出最好的結果。

張凱崴

台灣大學資訊工程系碩士、美國伊利諾大學（UIUC）電腦科學博士。美國加州大學洛杉磯分校（UCLA）電腦科學系助理教授，研究領域包括人工智慧、機器學習、自然語言處理。2021 年獲得史隆研究獎（Sloan Research Fellowship），研究團隊開發的運算方法，使人類語言處理的程序更有效率、更多元，同時兼具公平性。

附圖：優化AI系統的3方法

資料來源：https://www.managertoday.com.tw/articles/view/62902?fbclid=IwAR2jI1bhg1anqct0AZZR_3LKKJqIsvG0wz2whSN8iniROZApHt-_qpD7dis