對AI產業趨勢的觀查 微軟台灣區總經理卞志祥是財務工程和電腦工程的跨界，從新創到外商這樣走，因此他就是擅長電腦工程和產業的分析。他說『很少看到一個科技，是短短三到六個月之間從談論到變成每一個公司廣泛被討論的一個課題，尤其是在企業高層的廣泛討論』 產業的領導者很專注於這一個產業的變革，討論的主題不是技術而是商業模式，所以過去六個月就是不斷的和產業先進去學習一些DOMAIN KNOW HOW 2023年是一個高度不確定性的年代，也就是在這樣的年代之中，危機同時也就會帶有轉機，因為在每一次在全球地緣邊境的變動，會創造出很多變動中產出的WINNER和LOSER。例如：賽車時，要在大晴天之中想要在落後的前提下，超越很多專業車手，是非常困難的，而在大雨天才很有可能有這樣的機會。 產業改變得非常非常的快，並且驅動這個轉型的原因變得非常非常的多元，適應改變的速度會是未來決定一切非常重要的關鍵點 AI核心能力 高度賦能員工，改變與客戶互動的方式，優化流程。做的到這三件事情就有可能去實現你產品的新的機會 BING和CHATGPT的不同 CHATGPT是一個已建模完成的模型，且其資料停在2021年 BING會有一個關鍵字前處理的狀況，會先去網路找相關資料,然後會把資料輸入模型去產生結果，也因為這樣，Bing會有較高的正確性，因為在前處理的部份的搜尋動作，可以增加回應的正確性。 ChatGPT模型架構 CHATGPT在其內部架構中使用了Embedding model。Embedding model在CHATGPT中用於將輸入文本轉換為連續向量表示，以便進一步處理和生成回應。 在CHATGPT中，文本序列首先被轉換為一系列的詞嵌入（Word Embeddings），詞嵌入是將單詞映射為連續向量表示的技術。這些詞嵌入向量在模型內部被用作輸入特徵，以捕捉單詞的語義和上下文信息。通過使用詞嵌入，CHATGPT可以將輸入文本轉換為數字化的連續向量表示，以供模型進一步處理。 Embedding model在CHATGPT中的使用有助於提取和表示輸入文本的含義和特徵，並為模型提供適當的表徵。這樣，模型可以更好地理解和生成合適的回應。 不過CHATGPT不僅僅依賴於Embedding model，它是基於Transformer架構的深度學習模型。Transformer模型的主要組件包括多層的自注意力機制和前饋神經網絡，以實現高效的序列建模和生成。 Embedding model的後續能力很強，因為這些連續向量表示可以應用於多種機器學習和深度學習任務中，提供了強大的特徵表達能力。 Embedding…

人工智慧的演進 讓機器自己從圖片中尋找差異 博藍尼悖論(Polanyi’s Paradox)認為人類能表達的，遠比人類所知道的少 莫拉維克悖論(Moravec’s Paradox): 對於機器而言，人類的直覺，遠比人類的推理來的複雜 (更多運算資源) 讓電腦自己學習 從規則驅動變成資料驅動，只是原本是人從資料去定義規則，現在則是由電腦來找到規則 為了讓電腦更有效率地找到規則並在提取特徵之後辨識物體，可以採取以下方法： 應用範例 糖尿病的視網膜病變 https://www.kaggle.com/datasets/eishkaran/diabetes-using-retinopathy-prediction 魔術橡皮擦，可以自動去把相片的很多背景雜物移除 https://www.kaggle.com/datasets/utkarshsaxenadn/human-body-background-remover 利用Diffusion實現圖像生成 https://www.kaggle.com/datasets/dschettler8845/diffusiondb-2m-part-0001-to-0100-of-2000 機器學習的流程 4D Process包括Define Problem, Data Collect, Develop…

人工智慧是第四次的工業革命 Mobile computing, inexpensive sensors collecting terabytes of data, and the rise of machine learning that can use that data will fundamentally change the way…