Google智慧台湾计画启新页 Google AI专家深度知识交流

近年来，物联网(IoT)掀起一股科技浪潮，人工智慧(AI)继而成为众所注目的焦点，「Google智慧台湾计画」於今年3月份启动，Google於今(4)日宣布Google AI创新研究营正式开跑。响应科技部「AI 创新研究中心专案计画」，Google邀请驻於英、美等地的AI专家专程访台，为台大、清大、交大、成大四所AI创新研究中心师生打造培训内容，以协助台湾优秀的AI学术人才建立产学间的知识交流、推动台湾的AI研究进展与人才培育。

AI技术的创新研发奠基於人才的投入，Google台湾董事总经理简立峰表示，Google推出AI创新研究营与实体教室，帮助在人工智慧领域耕耘的研究人员进行更深度的交流与培训。希??透过在Google推动AI进展的科学家，能与台湾的AI领域研究人才进行实务与经验交流，这是好的开始，期??藉此提升台湾年轻AI科学家的研究动能，以及与国际研究主题接轨的机会，甚至将AI连结到台湾的产业链。

科技部部长陈良基表示，为了让台湾在全球的AI版图上，能充分运用台湾的人才资源与既有的科技优势，一举站上领先地位，科技部积极布局台湾的AI发展策略，成立四个AI创新研究中心，以人才为核心提升整体竞争力，杠杆全球资源来培育人才到位、协助企业升级以及形成生态系，与国际有最好的连结。他表示，AI扩散到各行各业需要4-5年，他形容至2020年时，如果不会使用AI，就像身处在今日却不会用网路。Google为全球科技领头羊，秉持对台湾人才的重视，举办Google AI创新研究营，帮助提升台湾AI研究的发展，期盼藉产官学的连结，激发台湾AI创新的原动力。

「Google智慧台湾计画」三大主轴包括人才、经济和生态系，每年目标为培育5,000位工程师，徵聘300位人员，以因应产业界对於人才的需求，简立峰表示，目前训练过程叁与度高，进度超前，为目标会努力做得更好。Google拥有软、硬体及云端人才，台湾人才居於其全球平均水准之上，他认为台湾的人才具有优势，需要的是机会刺激和训练。昔日软、硬体的衔接点低，虽然有优势却未能整合，他分享”On the device AI”的概念，认为AI是机会，能重新改造产业，创造更高的毛利，台湾应该把握此优势。

Google AI创新研究营符合「Google智慧台湾计画」所提出的人才培育方针，在今年暑假於国立台湾大学开跑，特别针对台大、清大、交大、成大等四所 AI 创新研究中心超过百位研究师生，邀请多位驻於英、美等国的顶尖Google AI专家，与叁与的师生们进行深度交流。Google AI创新研究营中安排多场「AI专题演讲」，探讨包括自然语言处理、医学影像深度学习应用、强化学习 (Reinforcement Learning)、推荐系统(Recommendations Systems)，以及机器学习在Google云端的应用实例等多个AI领域相关主题。此外，为了帮助台湾AI研究学者熟悉Google的线上机器学习开源资料库TensorFlow，Google更设计了全天的「TensorFlow初学者实作应用工作坊」，让研究人员学习透过这项工具来建构他们自己的AI应用、并且加速研究的时程。

AI创新研究中心推动办公室主持人林永隆教授表示，台湾四大AI创新研究中心在今年分别於台大、清大、交大和成大正式启用，针对生技医疗、AI核心技术、智慧制造、智慧服务等不同领域执行研发，并且透过国际学术人才延揽与产业交流，藉此提升台湾智慧人才与产业的竞争力。从学界到产业界，再与国际连结，他以人才供给面和社会应用面来说明， AI的这一波浪潮将影响社会经济及文化等各层面，未来将有更多的平行运算需求，更多的应用。透过AI创新研究营，让驻於海外的Google AI专家面对面与AI创新研究中心的师生进行交流，了解更多国外的知识与应用，能够促进台湾AI研究发展。

Google不仅在台湾强化AI科技研究的动能，也积极推动AI教育的普及化。Google已於今年推出Google AI的全球线上资源「机器学习速成课程 (Machine Learning Crash Course，MLCC) 」的中文化内容，并已在五月份於台湾北、中、南各自举办三场Google AI教师研习营推广AI知识及MLCC的免费资源。

机器学习於推荐系统的应用

驻於Google美国山景城总部的AI首席科学家纪怀新於此次AI创新研究营的机器学习技术论坛担任主讲人，分享Google机器学习技术如何打造出更精准的推荐系统。根据长期累积针对网路搜寻与线上社群系统的研究经验，以及对使用者行为所带来的社群效应的洞察，探讨Google如何利用AI技术了解使用者偏好、以提供更个人化的服务，以及机器学习於推荐系统在不同领域的应用和实例说明。

科技日新月异，纪怀新表示，现今使用者的期??不断攀升，个人化及情境化的服务需求让推荐系统面临更多的挑战，像是不同情境会需要不同内容，使用者的偏好随着不同的情境而变化，大量且不断改变的项目内容和杂乱稀少的标签，而且在如此大量的使用者和内容中要提供「即时」且「有用」的推荐，例如在Google Play上逾100万个应用程式，其中在全球190多个国家内，就有超过10亿个人在过去30天内曾使用Google Play，而在2017年更有高达820亿次的应用程式下载量。借助深度学习处理庞大且复杂的资料量，才足以提供使用者情境式的个人化推荐服务。

他认为透过深度学习建构推荐系统如同建立数学函数 (Function)，藉由输入使用者，而产出推荐结果，而空间和时间则是个人化推荐在考虑情境因素时的要点。例如使用者在不同的时间点会出现特定行为，可能是每天早晨会对於新闻资讯类有所需求，而在晚上会想要玩游戏，如有出现酒醉後随意选取应用程式等异常行为模式时，事後在系统上也可修正调整项目。

想要提升推荐品质在於建立推荐系统三大原则：1.推荐为个人化及多元化；2.透过机器学习的协助，不断优化所有产品介面；3.为所有人提供适当的推荐。Google针对不同使用频率调整模型设计，平衡不同使用频率所设计的推荐模型，藉以平衡所有使用者的意见。他强调推荐模型不止考虑推荐使用者、情境与项目内容三者的关联，加入「因果关系」的考量能让使用者的推荐体验升级。例如Google透过「平衡不同使用频率设计推荐模型」的方法，并且对使用者如何与应用程式互动进行模拟，已经让Google Play上应用程式的安装率提升3.3%。而在过去两年Google运用深度学习网路为Google Play、广告、搜寻、YouTube等产品及服务带来66项重要改善。此外，Google提供开源的机器学习软体库TensorFlow，他认为加入计算、大数据及人才三合一能让深度学习达到良好的成果。