B型肝炎疫苗的誕生，和臺灣的B肝「清零」計畫

今天推薦大家看一下這篇很棒的文章👇👇👇

B型肝炎疫苗的誕生，和臺灣的B肝「清零」計畫——臺灣大學醫學院倪衍玄院長專訪|最新文章 - 科技大觀園

https://scitechvista.nat.gov.tw/Article/C000003/detail?ID=2531c806-e6ab-4b07-98cb-dd42347e14aa

大家有沒有很有既視感呢？

原來
歷史是會不斷上演的呢（笑）
50年過去了
時空背景環境早已不一樣
但挑戰跟試煉
仍舊一樣

甚至
如果把同樣的場景搬到現在
在政治面的挑戰
恐怕
障礙只會更多（再笑）

歷史總是會有驚人的相似與再現
即便隔了五十年

其實最難的
從來就不是科學本身
而是人心

我覺得蠻值得大家深思的

部分內容摘錄於下👇👇👇

====================
美國默克藥廠於1978年，展開成人B肝疫苗試驗，隔年展現出優異的保護力。畢斯里團隊即想在台灣，推動兒童的B肝疫苗試驗，試圖從源頭斬斷「肝癌三部曲」的詛咒 ，然而，卻遭到了輿論和媒體的阻礙。

當年台灣的醫藥法規不健全，並沒有臨床試驗法規，因此團隊只能在幼稚園向父母尋求同意。未料消息曝光後，媒體開始出現負面批評，如：拿台灣小孩當白老鼠、為何讓洋人在台灣做試驗等。畢思計畫只得暫停計畫，有待重新啟動的契機。

畢斯里透過牽線，向時任政務委員的李國鼎先生說明計畫。討論之後，李國鼎認定此疫苗的重要性，即安排再向行政院院長－孫運璿說明。孫院長大受震撼，也認同B肝疫苗對台灣的未來極為重要 。而李政委還將當時在WHO（世界衛生組織）任職的許子秋挖角回來，於1981年接任衛生署長。許署長熟稔疫苗政策，早在 1965 年就向日本募得50萬份的小兒麻痺疫苗來台。就此，B肝疫苗在台灣政治面的障礙漸被移除。

1983年，B肝疫苗在台灣新生兒的臨床試驗大獲成功，保護力超過九成！有了本地的試驗結果支持，台灣開始在1984年，為高危險新生兒施打B肝疫苗（如：孕婦B肝帶原）；1986年，所有新生兒都接種B肝疫苗。因為這群無畏的科學家、政治家，讓1984年後出生的台灣人，就此脫離了「肝癌三部曲」的輪迴，也讓台灣成為全球第一個推行全民B肝疫苗政策的國家。

====================

怡寧醫師愛碎念2：破除孕產迷信 打擊偽科學

(110/09/22開始預購)(110/10/01出版)
親簽版博客來【7-11、海外】
https://reurl.cc/52qYY7

蝦皮拍賣【全家、7-11、郵寄】
https://reurl.cc/95X22a

關於疫苗的迷思跟流言實在太多
新同學複習一下👇👇👇

再來聊聊關於疫苗的陰謀論
https://drsu.blog/2018/10/24/super181024/

今天來聊聊小兒麻痺症的故事
https://drsu.blog/2018/10/19/super181019/

好的
各位新同學
我們有目錄
要發問前可以先找一下喔👇👇👇👇

導覽目錄在這裡
https://drsu.blog/2017/12/18/super-list/

不然
置頂文也有👇👇👇👇

https://www.facebook.com/100047331422378/posts/192828068971573/?extid=0&d=n

對了
有同學說我寫太多很難找
關於這點我很抱歉
可以善用搜尋功能喔👇👇👇👇

https://drsu.blog/2018/01/01/super180101/

關於基因醫學部落格在這裡👇👇👇

https://sofivagenomicsblog.wordpress.com

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

《吉爾.拜登的築家智慧(2)》

坦白說，結婚生子後的我，對於經營家庭這方面確實是感到陌生茫然的。這世界上好像沒有一本所謂家庭架構說明書及指導手冊供我參考，只能靠自己摸索，也經常在瑣碎雜亂的育兒生活裡迷失方向，少了力量。

有時我會讓自己沉靜去反思自己的童年及青少年時期，藉由孩童的角度去了解家人對家庭渴求是什麼，避免那創傷的，擷取那美好的，小心翼翼地使用上一代傳遞下來的智慧去營造出一處可以滿足家人所需的港灣。

吉爾亦是如此。

在書中一開始她細膩描寫她在童年及青少年時所遭遇到的家庭處境，讓讀者能了解到她的築家準則是有跡可循的。
.
.

一．祖母的理解和關懷

她非常不喜歡葛佛雷外婆。

受過大學教育的外婆極度反對吉爾父母的婚姻，認為女婿出身低，與自己的女兒完全不相配。外婆縱使千方百計阻饒，也無法阻止吉爾父母偷偷結婚並生下孩子。當長孫女吉爾出生時，外婆理所當然地對她冷淡，還經常嘲諷吉爾長得像父親，不是他們家的人。抱怨、否定、不認同、尖酸言語、冰冷的情感充斥著外婆家，讓吉爾感受不到所謂家的溫暖。

幸運地吉爾有一位疼愛她的雅各祖母。

當她受不了葛佛雷外婆時，她會偷偷地溜出家門，搭車奔向雅各祖母的懷抱。那瀰漫著義大利麵包味道的祖母家總讓她流連。簡樸小屋裡永遠有豐盛美味的食物、理解關懷的擁抱及親吻、幽默鼓勵的言語，祖母總能遞上她所需要的，那是家該有的溫度。
.
.
吉爾是這麼形容祖父祖母家

『That was Grandmom and Grandpop's home：A place where every meal ended with satisfaction-- in our stomachs and hearts alike』

(祖父祖母家是一處提供滿足饗宴之所在，不論是胃或心靈。)
.
.

二．父母對婚姻的忠誠

吉爾的父母是她婚姻智慧的啟蒙者。吉爾父母相識之初便像羅密歐與茱麗葉般相戀，即使外婆不成全，也無法動搖他們堅貞不變的愛情。婚後，他們仍珍惜彼此且對對方忠誠，並毫無保留的為對方付出。在孩子面前他們只表現出夫妻之間該有的互動，包括了親吻擁抱、打情罵俏、促膝長談，幾乎從不吵架。

然而，最讓吉爾動容的是晚年父親對葛佛雷外婆的原諒及包容 ，那意味著他對妻子最廣闊高深的愛。

葛佛雷外婆晚年身體孱弱時，父親主動成了唯一照顧外婆的人。事實上，外公家是開藥局的，不論金錢上或藥物上都不缺乏，但父親仍堅持定期去照顧外婆，確保她得到足夠的照護。
.
.

『My father provided the kind of attentive, familial care that money can't buy -- and that a lesser man might have withheld.』
(我父親提供的是錢買不到的家人照護之用心，那卻是極少人願意給予的)

『Putting aside your hurt feelings or bitterness at rejection because the woman you love most in the world care about this person. 』
(你必須拋開曾經受傷的感覺或是被拒絕的苦痛，因為我全世界最愛的女人關心眼前這女人。)
.
.

三．母親的聆聽

青少年吉爾到了中學，叛逆的她經常與嚴格的父親有衝突，母親成了她情感寄託。

吉爾母親雖然不擅摟抱，卻善於聆聽孩子的煩惱，並不給予任何評斷及貼上任何標籤。

在吉爾與姊妹們失意沮喪的時刻，她們喜歡找母親訴說，母親的善解人意總能安撫她們。在她的人生母親裡一直是最溫暖且值得信靠的家人。
.
.

『She understood that people had weaknesses, and her first instinct was always to help rather than criticize.』
(她知道每個人都有弱點，她第一直覺永遠是提供幫助而不是批評。)
.
.

四．接受新家庭及新家人的準備

吉爾在十八歲的時候有段失敗的婚姻，她天真以為婚姻只要像她父母一樣相愛即可，沒想到那是她人生裡最大的失敗。她覺悟到她根本沒有準備好進入婚姻；她並非母親，婚姻對她來說不僅僅是兩人的浪漫世界。

離婚後的她，沒有回娘家療傷，反而搬進了一間市郊的小公寓，選擇獨立生活，繼續接受教育，並取得教師職位。

期間，因友人介紹關係，她和參議員拜登開始約會。

那時拜登剛經歷一場車禍失去去了美麗摯愛的妻子及十一個月大的女兒，並留下了兩位雙胞胎幼子。

在雙方穩定交往過程中，拜登認定吉爾會是未來相伴的好妻子、好母親，積極追求並多次求婚，期望孩子失母的傷痛能因她度癒合、破碎的家庭也能因她而再度完整。

吉爾卻對這份感情感到侷促不安，頻頻未答應拜登的求婚。

第一，內向的她必須扮演好參議員夫人的角色，在公眾的注目下生活。

再者，拜登家族合一的精神是不容許被破壞的。

拜登家族有一個神聖的誓言『"My word as a Biden."』(以拜登之名)，不論他們家族成員說什麼話，最後如果加了"My word as a Biden."便是百分之百的事實，絲毫不作假。拜登家人之間彼此的忠誠及愛是如此鏗鏘有力，早已形成穩固的緊密環鏈，她必須抱持這段婚姻只許成功不能失敗的信念，她不能斷了這家族的環鏈。

另外，她也擔憂著自我及家庭的選擇。

嫁給拜登後她馬上面臨的是成為一位照顧兩位幼子(杭特及博)的母親，她對母親角色全然不知，她能勝任嗎? 況且，她汲汲夢想成為一位優秀教師，結了婚必成了她邁進夢想的羈軛，內心不斷交戰。

吉爾已曉然婚姻並不是兩人合一，而是與一個家庭的融合。

未料拜登家族的每位成員各各伸出溫暖的手擁抱吉爾，用行動和愛去用心理解她剛進一個家庭的不安及無措，誠摯熱情地歡迎吉爾成為他們的一家人，成功地讓她卸下了防衛。

終於在拜登第五次的求婚下，吉爾說了YES。她決定成為了一位妻子及母親，四人不論是富有或是貧窮，不論是健康或是疾病，他們都始終要一起對抗這世界。

日後，她不只取得了杭特及博的認同，也與拜登的姊姊成為閨蜜，與婆婆成為母女，成了緊密的一家人。
.
.

(後續)

#家庭主婦讀書會
.

😘如果妳有從讀書會裡得著智慧，歡迎大家分享和按讚，也歡迎大家留言分享妳的想法。

今日議題：
◆多國早跟大陸偷來暗去　蔡政府後知後覺喪權辱國？多國、中共兩度談判建交　10億軍援不敵920億利誘？多國陸軍司令上周突通知不來了　武官體系無警覺？ 10億捐贈無效軍事外交泡湯　金援全肉包子打狗？多國、中共無預警建交　整個使館玩輸中共3人館？台旅法、台獨論…挑動敏感神經　北京給蔡政府下馬威？外媒：陸斷台邦交插旗中南美　示警台美過從甚密？沈呂巡：美不會為台犧牲北京關係　台美升溫是假象？台灣邦交國只剩下19國　海地、梵蒂岡憂骨牌效應？

◆蔡英文稱對岸”中國”　用兩國論反制徒增兩岸變數？斷交不稱中華民國、稱對岸是中國　蔡英文添柴火？昔指北京當局、今稱中國台灣　偷渡兩國論抓到了？總統府：只是混合用法別想太多　兩岸關係走鋼索？陸官媒嗆：就是要對台灣外交絞殺　讓台灣零邦交？G20習近平訪中美洲　尼加拉瓜、瓜地馬拉亮黃燈？扁指8年斷9個增3個、蔡 2年斷3個　蔡不如扁？蔡英文上任2年斷3邦交國　只顧拔管搞到外交插管？中共挖我牆腳、軍機繞台　台海推烽火邊緣化台灣？

◆台大前校長孫震批什麼白癡決策　蔡政府無法無天？孫震轟賴清德道歉、吳茂昆下台　教育部淪政治打手？孫震批裝睡的人叫不醒　蠻橫拔管吳茂昆謝罪下台？前教長黃榮村憂毀台大、高教體系　拔管爆臨界點？監委要查台大校長遴選爭議　教部拔管違反大學自治？台大發起新五四運動罷課21分鐘　教部拔管違法亂政？

◆賴揆態度強硬不道歉　不認違法拔管傷了大學自主？賴清德嗆管中閔躲避個人責任　吳茂昆靠山浮出檯面？教部指管中閔違法　學者問那吳茂昆的標準又是什麼？陳良基：兼職獨董生效校長簽了算　打臉教育部拔管？教部認定管中閔台哥大兼職獨董違法　科技部長神打臉？郭旭崧可當陽明校長、管中閔禁當台大校長 無恥至極？教授兼獨董從簽辦到最後公文　釀空窗期陷教授不義？全台295人國立教職兼職獨董　教部敢比照拔管案辦了？吳茂昆：將公布跨部會會議紀錄　拔管劇本公開了事？

今日來賓：
立法委員（民） 鍾佳濱
台大政治系教授　李錫錕
資深媒體人　 康仁俊
立法委員（國） 費鴻泰
資深媒體人　　　陳鳳馨
新黨副主席　 李勝峰

✔密切鎖定【少康戰情室】訂閱➔http://bit.ly/2fXdOIH
每週一至週五 TVBS 56台首播
●按讚粉絲頁：http://bit.ly/2fMs1us

終結黨職併公職 提案說明
1971年9月17日，中華民國民眾服務總社發函考試院，以「業務係受政府委託辦理」，「實質與公務人員並無差異」，一紙文書就要求考試院於其專職人員轉任公務人員時，服務年資得採計為政府公職年資。在無任何法源依據的情況下，當時的考試院長孫科批示「准予照辦」，開啟黨職併公職的大門，讓國家45年來平白無故地替國民黨，負擔其黨工黨職期間的月退俸及18％利息。
黨職併公職從頭到尾都是違法行為，因為按公務人員退休法第2條「本法所稱退休之公務人員係指依公務人員任用法律任用之現職人員」，公務人員年資應指依法任用為公務人員後之年資，並無任何合併其他社會團體服務年資的空間，黨職併公職明顯違反上位法規公務人員退休法之規定。
以胡志強為例，他的教職與公職年資合計不到15年，依法原本僅能請領一次退休金。但併入10年11個月的黨職年資後，胡自強便得以請領月退休金，一來一回就多請領5406萬元。針對這個問題，我也特別在第五條中明訂，重新計算年資後若從月退變成一次退者，應該扣除已經領取的月退。
至於重新核算退休年資、溢領繳還，有無涉及信賴保護的問題，大法官釋字第525號說得很清楚，經廢止或變更之法規有重大明顯違反上位規範情形者，其信賴即不值得保護。黨職併公職自始違法公務人員退休法，其信賴當時不值得保護。
本次我和時力的版本，其實大方向都一致，只不過有些處理的細節上不同，其中兩個比較大的不同是「名詞定義」與「追討對象」，針對這兩個問題我的看法是：
第一，我的第二條，與時力的第3條，我用的是「附隨組織」，時力是直接列出團體。考量「附隨組織」已成為不黨黨產處理條例的專有名詞，而要成為附隨組織需要經過認定程序，我認為本條可以以時力的版本去修改。
但應該加入我的第三款，將「優惠存款利息」列為退職、退休給與的一部份，不然會有定義上的疑慮。
第二，我是向「政黨」與「受領者」追討，時力則是向「受領者」追討，我認為有兩個原因，應該用我的版本：
1. 黨職併公職的背景是威權時代，國民黨當然要負上最大的責任。
2. 不管是黨職年資或公職年資，受領人本來就都可以依據不同法令請領退休金，只不過國家替國民黨付掉了黨職年資的部分（勞工與公職計算方式不同先不論），既然國家替國民黨付掉，所以當然是向國民黨討回來。