🎉新北創力坊第13期進駐團隊介紹＿FundPark 港信科技🎉

在台灣有 97％ 的企業為中小企業，然而長期以來這些企業都欠缺良好的融資管道，尤其市場上傳統銀行對於中小企業的風險評估較為苛刻且貸款利率不佳，造成許多中小企業在取得貸款上往往面臨許多的困境。

新北創力坊這次要介紹的是為中小企業解決貸款問題的金融科技公司「FundPark 港信科技」，做為金融科技公司，他們運用數據分析的方式來評估中小企業的存貨週期、交易數據及還款能力，並撰寫更為準確的風險評估報告，再將報告交由銀行，協助中小企業取得更佳的貸款利率，達到一個雙贏的媒合模式。

FundPark 集團於 2016 年在香港成立母公司，創辦人孫慧來父母皆為中小企業業主，這樣的成長背景讓他了解中小企業在貸款時所面臨的困境，銀行嚴謹的審核與冗長核貸時程都是當時創辦人所見的痛點，之後在銀行工作期間結識了各大金融機構不同專業的夥伴以及軟體工程師，進而成立 FundPark，希望能以金融科技的方式解決中小企業的貸款痛點。

2017 年時，FundPark 成立了台灣子公司，團隊成員皆來自於國內大型金融機構，擁有豐富的企業金融、消費金融及信用卡業務等經驗，累積銀行資歷超過十年．其中團隊執行長 Steve 熟識數位金融法規，任職星展銀行期間更曾與銀行公會共同訂定金融法規與貸款數位化等流程。

目前台灣區業務鎖定在國內電商市場，初估今年台電商市場規模約2.2 兆新台幣，而大部分電商賣家皆於大型電商平台上架商品，但多數大型平台結帳時間較長，也因此讓賣家面臨應收帳款等待期間過長的問題。針對此問題，FundPark 在現階段打造了符合電商賣家的產品「應收帳款融資」，將於今年第一季上線。

在應收帳款融資產品的架構下，FundPark 會與大型電商平台合作服務旗下電商賣家，取得賣家存貨週期、交易資訊以及金流等資訊後來做風險評估報告給銀行做貸款審核，因此平台上的中小企業電商賣家無需等待冗長的收款週期向電商平台取得應收帳款，而是能透過 FundPark 的媒合向銀行得到九成應收帳款金額，此模式可以減少賣家資金周轉的困難以及銀行降低風險的雙贏。

而為了讓風險評估的模型更為完善，FundPark 與台灣電商平台合作，了解電商的營業架構並且接觸相關的數據資料庫，讓風險評估模型更為成熟，並期許能在貸款媒合平台眾多競爭者中脫穎而出。

現階段 FundPark 應產品上線後業務成長需求，預計今年會再招募夥伴至團隊，並於年底前與 3~5 間電商平台合作，且推出其他融資產品，此外除了電商產業外也期許能夠將平台的產品拓展至其他產業的供應鏈（科技、傳統產業等），2022 年開始則將目標拉至印尼地區來拓展東南亞業務，未來期待在整個亞洲區域都能有所發展。

FundPark 港信科技👉https://www.fundpark.com/zh-hk

#InnoSquare #新北創力坊 #FundPark #港信科技

【寫作也是一種大腦健身】

昨天一早到坪林看茶園（正在規劃一個茶學實地體驗與學習的課程），晚上趕回台北上「精準寫作力」。有位穿著軍服、少校軍階的同學趕進教室（上周第一堂臨時開會，無法來上課），原來她從台中山上騎機車到高鐵站，來不及換裝，就趕來台北上晚上的課程。

昨晚課程開場，我就分析、討論每位同學課後作業整體的寫作問題，以及逐段分析如何修改。接著才進入故事開場力的單元，如何在第一段、或是口語表達（或閱讀）一分鐘之內馬上就吸引讀者注意，大致了解整體文章的主題，以及願意開始花心思往下讀。

拆解完公式架構，馬上實作應用。我請兩位記者學員報告最近採訪的主題，以及各用一分鐘、應用故事開場力說出為什麼寫這篇、哪裡重要、吸引人往下讀的關鍵轉折點是什麼？

透過引導與思考，讓報導文章的主題逐漸清晰，哪些問題會吸引讀者，哪些重點問題需要回答。

課後，少校學員找我討論需求。原來需要寫出招募文章，但是不想都是老套，要有新的吸引人的主題與內容。

我的回答就是課後作業努力寫，我仔細改，最後一篇作業就是寫出招募文章，改到好為主。她開心地去搭客運夜車回台中。

我問她，以我的年紀，如果在軍中應該是什麼階級了？她說少將。
少將喔！但是以我1996年少尉入伍的資歷，她評估現在應該還是上校，還沒有升級掛星星呢。（因為我碩士畢業入伍已經26歲了）
送這張坪林美好景象的圖給大家。

===========

接下來是寫作正題，我分享一篇健身教練的文章，總共有四個版本，我放上三個版本，1.0初稿，2.0我修改建議（括號內都是我的建議），4.0是完整內容。這個呈現一篇好文章應該要如何修改調整的過程。

1.0＜透過寫作認識自己>

精準寫作讓我認識自己的另一面。

因為邏輯不通、想的不夠透徹，寫不出文章是我當教練的困擾。如何讓讀者明白並認同我想表述的內容，是我報名「精準寫作」的目的。

第一堂課沒有讓人失望。整堂課是透過主題先行開場用邏輯支撐架構再補充細節最後用結尾呼應主題。老師強調如何將十分鐘的話濃縮成一分鐘透過3S（簡單、簡短、具體）把重點表示清楚。

透過回家作業，翻開指定書籍「精準寫作」我跟作者在書裡對話也跟自己討論。一步步調整文章架構、梳理邏輯脈絡。學會用完整的觀點撰寫文章。

自我檢示內在想法、明確表示自己的觀點就是透過寫作認識自己。
精準寫作讓我認識自己的另一面。

2.0
1.有練習魚頭句
2.但是沒有魚肉與魚骨
3.需要很多具體例子說明，包括自己到底遇到什麼挑戰，課程中實際學到什麼，可以應用在工作上

＜透過寫作認識自己>

精準寫作讓我認識自己的另一面。

因為邏輯不通、想的不夠透徹，寫不出文章是我當教練的困擾。（有了魚頭句，但需要魚骨與魚肉，要舉例說明困擾是什麼，課程那天有提到很多物理學或是一些科學專業）

（其次，是否要對內溝通，課程也有提到，需要加一段）

如何讓讀者明白並認同我想表述的內容，是我報名「精準寫作」的目的。

第一堂課就讓我充滿挑戰與學習。（「沒有讓人失望」這句話很怪，刪除）。整堂課是透過主題先行開場用邏輯支撐架構再補充細節最後用結尾呼應主題。老師強調如何將十分鐘的話濃縮成一分鐘透過3S（簡單、簡短、具體）把重點表示清楚。

（補上一段，到底學到什麼，可以實際應用在健身教練工作上，這個之前作業架構都有說明，不要忘了）

透過回家作業，翻開指定書籍「精準寫作」我跟作者在書裡對話也跟自己討論。一步步調整文章架構、梳理邏輯脈絡。學會用完整的觀點撰寫文章。

自我檢示內在想法、明確表示自己的觀點就是透過寫作認識自己。
精準寫作讓我認識自己的另一面。

4.0＜寫作也是一種大腦健身>
標題修改說明：「精準寫作讓我認識自己的另一面」，這個破題並不清楚，刪除比較好，因為沒有回答到底是哪一面，要換成新標題

我是一位健身教練，教練不只需要強健的身體，更需要溝通能力。（開場這個破題，讀者會馬上知道你的特色與文章方向）

我曾嘗試寫一篇關於「落枕」的文章，描述肌肉與測試的寫作過程，讓我感到困擾。因為不斷懷疑自己寫的內容不夠明確，也沒有想清楚，導致常常寫不出文章。

此外，內部教育常跟同事分享專業知識，同時還需要經營客戶關係。我鼓勵同事要多利用管道學習，但一段時間過去，同事們知道、卻沒有做出任何改變。

因為邏輯不通、想的不夠透徹，溝通表達一直是我的困擾，這是我報名「精準寫作」的目的。

第一堂課讓我充滿挑戰與學習。整堂課是透過主題先行開場用邏輯支撐架構，再補充細節，最後用結尾呼應主題。老師強調如何把十分鐘的話濃縮成一分鐘透過3S（簡單、簡短、具體）把重點表示清楚。

透過老師的引導，發現跟自己寫文章的錯誤相同。只有主題句少了邏輯架構跟細節描述，同事沒有進入你想表達的感受就不會主動改變。主題需要透過邏輯連接細節。文章的產出要靠正確的思路大量撰寫，溝通也是。

另外在課堂中學到的邏輯思考架構與連結，幫助我在評估健身動作時，想的更仔細。讓自己只用一句話就清楚說明問題，並讓客戶明白。

寫作力的邏輯思考除了強化寫作外也提升專業能力。因為身體也是一種架構。需要用邏輯思考連結訓練解決肌肉緊繃問題。

透過回家作業，翻開指定書籍「精準寫作」我跟作者在書裡對話，也跟自己討論。一步步調整文章架構、梳理邏輯脈絡，學會用完整的觀點撰寫文章。
我希望課程結束後，我的溝通表達能力跟健身專業一樣出色。（結論修改這個結語，才能頭尾呼應）

===========

寫作需要實戰練習，隨時引導調整，才能突破提升思考與寫作能力。這也是我開寫作課的目的與特色，你積極寫，我認真改，你積極調整，最後成為你想改變的自己。

精準寫作第21期，台北假日班（4/18+4/25）
https://cmcc.com.tw/application/goods/courses/micro/courses/course-32-21

Google、軟銀都陣亡過！盤點 AI 專案失敗的 4 大原因

Posted on2021/02/04
若水AI Blog

【我們為什麼挑選這篇文章】為了適應未知多變的世界，許多企業搶做「數位轉型」，從公司營運的各層面如客戶體驗、商業模式、企業文化到作業流程等，透過科技的導入來提升效率與效能；而對製造業企業而言，原料採購、物流管理、庫存調配、生產、行銷等環節則是企業主進行數位轉型會優先考量的面向。

在這之中，AI 的運用扮演很關鍵的角色，如何將 AI 應用到上述各層面並實際執行，是許多企業面臨的挑戰，有哪些要點是執行 AI 專案時需特別留意的？（責任編輯：賴佩萱）

作者：若水 AI 資料資料處理部負責人 簡季婕

2020 年，突如其來的新冠肺炎疫情（Covid-19）改變了許多產業的命運，同時加速推促 AI 落地的速度，AI 人工智慧的應用將成為企業的新日常。

若水 AI 資料服務團隊本著為臺灣 AI 應用落地盡份心力的初衷，順著這波改變，推出全新系列內容：與機器學習（ML : Machine Learning）、AIOps 智慧運維（Artificial Intelligence for IT Operations）有關的實用文，分享各界專家在每一天如何持續營運、優化 AI 架構以及資料處理的基本功。

【若水導讀】AI 專案順利通關的三個絕招：

1. AI 資料來源要多元，避免學習偏誤
2. 標註前，請先建立客觀的 AI 資料標註（Data Annotation）原則
3. 讓 AI 人工智慧成為組織的共同語言，會更容易成功
企業都想做 AI，但實際上沒那麼簡單

根據《臺灣人工智慧學校 AI Academy Taiwan》2019 年針對臺灣各大產業 1,095 位業界校友的調查統計，成功導入 AI 人工智慧的臺灣企業僅占 20%。放眼國際，許多全球知名企業的 AI 專案也慘遭滑鐵盧：

Google 在泰國落地測試智慧醫療失敗，拖慢醫療流程；美國杜克大學發佈的 PULSE 演算法誤將歐巴馬的頭像還原為白人，引發種族歧視爭議。

在日本，軟銀（Softbank）社長孫正義原本打算以 AI 機器人取代銷售人員，沒想到 AI 機器人無法應付實際場域的複雜性，計畫負責人只好承認失敗：「我們把機器學習（Machine Learning）想得太簡單了」。

AI 專案難實際執行，問題出在哪？

若水經手過臺灣、日本超過 200 個的 AI 資料處理專案，從橫跨各大產業領域的專案經驗，整理出企業 AI 之所以無法順利落地的四大原因。

1. AI 模型訓練過程中沒有加入實際場域的資料

無論是剛導入 AI 而產生資料處理需求的新手企業，還是已有 AI 專案經驗、為了 retrain 模型再度找上若水的老手企業，都曾經在同一個地方卡關：AI 資料標註品質有做到位元，但 AI 模型卻無法應用落地 。

為什麼？

原因在於，客戶並未以「實際場景」的資料來進行 AI 模型訓練。
現在市面上有許多開放資料集（Open Dataset）或是免費的商用網路圖片，企業通常會優先使用這些免費資源進行 AI 資料標註（Data Annotation）讓機器學習，但是放到實際場域測試後，經常發現 AI 模型成效不佳，無法適用於實際場景，最終還是需要回過頭再進行第二次模型訓練（Model Training）。

因此 在 AI 專案開始前，建議企業首先需要在內部建立資料資料流（Data Pipeline），而在收集資料時，不只使用開放資料集（Open Dataset），也須確保有使用符合實際應用場景的資料來訓練 AI 模型，全盤考量資料類型、角度等多元性，避免機器學習偏誤 。

2. AI 資料標註原則定義不夠客觀

與企業工程師對接 AI 資料處理需求時，當我們詢問這批人臉辨識（Face Recognition）的 AI 資料標註的原則是什麼，常常會接到諸如此類的回答：「頭太小的話，就不要標註數據」。

一般人的邏輯覺得很合理的事情，對於機器學習（Machine Learning）來說卻是一大挑戰。 機器學習需要知道的是趨近「絕對客觀」的原則 ，例如，所謂的頭太大、太小，換算成具體數值會是幾乘幾大小的 pixel？如果圖片背景融色或模糊，也需要標註起來嗎？

一旦 AI 資料標註原則不夠客觀，AI 模型很容易隨著人的「主觀認定」來學習，當專案換了一位工程師，機器學習出來的效果可能也會跟著變 。在我們的經驗，原則的訂定最好透過「對話」，藉由反覆詰問，才能加快釐清目標。有了歸納、定義出客觀的 AI 資料標註原則。就會加快模型學習（Model Learning）成效。

為了清楚定義圖片融色或模糊的問題，我們採用國際照明委員會（International Commission on Illumination）訂定的 Delta E 標準，和影像（圖像）品質評估標準 BRISQUE，和客戶確認彼此認知是否一致。

根據國際標準，人的肉眼能分辨得出來的色差，至少會在 Delta E 值 2 以上。所以，當一張影像測出來 Delta E 值小於 2，就表示這張圖的融色程度太高，無法標註。

假如客戶希望「太模糊的圖片不要標註」，團隊也會根據 BRISQUE（影像品質評估標準）的標準，輸出不同模糊指數的圖片，請客戶確認所謂的模糊，具體來說是 70% 還是 80%。

3. AI 模型訓練（Model Training）沒有循序漸進

以肢體行為辨識（Posture Estimation）為例，Coco Dataset 從一開始只辨識人體 7 大主要關鍵點（Key Point），後來逐步發展成 25 點，甚至快 40 點，有些客戶會希望若水 AI 團隊可以一次就標註 40 個關鍵點，直接拿去機器學習（Machine Learning）。

說起來，機器學習和教小孩很像，一下子給太多的特徵點（Feature Points）反而會「揠苗助長」，導致 AI 模型學到最後分不清楚自己到底在學習什麼。我們也遇過有些客戶，一開始想用難度較高的 Segmentation 方式讓模型學習人的行為，但是人的行為百百種、語意切割（Segmentation）的變異度也高，就比較難學得好。

當這些客戶再回頭來找若水，通常會比較循序漸進，從小地方開始逐步改進 AI 模型。

4. 缺乏管理層的理解與支持

AI 熱潮讓許多企業趨之若鶩，然而 AI 要能夠順利落地，除了上述三項實務建議，企業管理層對於 AI 的認知和支持更是一大關鍵。
許多臺灣企業的 AI 數位轉型主導者，可能是傳統公司裡面有豐富資歷的 CTO 技術長或管理階層，對於 AI 人工智慧這個全新領域的概念，比較缺乏深度的理解，也沒有類似 AI 模型訓練和測試的相關經驗，從上述 4 個原因去追尋難以落地的根源，或許能有所助益。

資料來源：https://buzzorange.com/techorange/2021/02/04/ai-project-difficulties/?fbclid=IwAR04ZC1-1MquyCObEI5HIfTKtV-OkcfxL_R8vRin4YgQMl8cnhS_6aM59vU