Search
【#城市科技】亞馬遜「拿了就走」智慧商店 免排隊、免結帳超方便
#L編：進超商就像坐高鐵，刷一下就好，超方便der~
Amazon 要推出 Amazon Go實體智慧超商，可以拿了就走，不用排隊、不用結帳！#請分享：未來超市長這樣，真的是「超級商店」啊~
消費者唯一要做的，就是在進入超市時，像搭高鐵一樣，刷一下app的QR code。智慧商店用感應器、電腦視覺與深度學習演算法，可以自動分辨消費者在哪一個貨架、拿下或是放回何種商品，亞馬遜稱這項科技為「Just Walk Out Technology」。
第一家Amazon Go超商，位於西雅圖市中心，地點鄰近亞馬遜總公司，目前正在試營運階段，僅對亞馬遜內部員工開放，預計明年初將會全面對外營運。
Amazon.com #亞馬遜 #智慧商店 #AI #方便
【想得到 做不到】
文章出處：〈哈佛商業評論〉2019.11月號
作者：杜書伍 (聯強國際集團總裁兼執行長)
不管在生活上或工作上，我們經常對很多事物的處理或判斷，都能經由理性的邏輯推演，並且細緻的拆解成非常完整的執行步驟，所以很容易認為事情的處置是不困難的。但很高的比例在真正面對問題時，卻做不到；其中最大的問題在「情緒」與「時效」。
「情緒」因素諸如壓力、怠惰、畏縮……等，大家都能體會，反而「時效」是我們在思考處理的方法時，容易被忽略的因素。而且不論是我們自己做或交待部屬該做的事，往往都因時效不及，實際上並未能理性的推演與細緻的拆解執行，仍然落入用直覺、經驗、單點的方式來做判斷處理，原因何在？
一個近乎完美的決策判斷，一定是經由越多方面、越多角度的數據資訊交叉比對，再依權重比例來決定的。而且這些資訊必須是最即時，交叉比對的速度也要非常快，否則瞬息之間環境情況又變了。
上述對於時效的要求，人是做不到的，因此，若能全面的將即時資訊數位化，再利用電腦工具將這些數據，依人所設定的演算法來運算比對，做出決策結果，就能達到上述的理想。
而且，環境一直在變化，人所設定的演算法也要隨環境變化而調整，然而人要重新設計演算法時，同樣需要耗費模擬與建構的時間，同樣也是緩不濟急。
所以，AI智能就是利用大數據以及深度學習演算法，讓電腦能依據環境的改變不斷的學習調整，而由電腦本身即時做出判斷。
這樣才能做到「想得到，做得到」。
當然，AI智能的產出結果，有精準度高低等級的不同，就像人有小學、中學、大學程度智能一樣。但是，當這些不是百分之百準確的AI智能，要被拿來運用時，往往會招致不願改變的使用者，輕易的點出不準確的地方，而振振有詞的拒絕使用。
這些拒絕使用的人，往往就是犯了前述那種「想得到，做不到」的人。他經常會說，我們會這樣判斷、那樣判斷，所以人來判斷會比機器準！但是他們從不去想，實務上他有辦法即時收集這麽多數量、多角度的資料嗎？有能力每次都不受情緒影響、堅持用專業紀律去執行專業判斷嗎？
真正的情況，可能AI智能準確度是90%，但是人來做頂多是70%。
AI智能雖不是完美，但時效性、準確性比人能做到的高，那該不該採用呢？答案當然很清楚。這是推動AI智能工具很重要的認知，推動者不要陷入必須百分百準確的盲點，而使用的人也不要祇是去批評AI智能工具的準確度，要先了解自己現有做法的不準度，這是非常重要的。
數位化、數位能力、物聯網、大數據、AI智能……都是必走的方向，大家都應積極的去了解學習，並投入資源去建構運用。期望本文能幫助破除推進時，會面臨技術能力外的人為心理盲點與阻力。
#連結閱讀：
1. 用方法，用工具，不要隨本能做事
https://www.facebook.com/SYNNEXTU/posts/867920790071653
2. 學習管理理論不難，運用適切很難
https://www.facebook.com/SYNNEXTU/posts/1123123507884712
3. 實務與學理
https://www.facebook.com/SYNNEXTU/posts/1160427477487648
🌏聯強國際為亞太第一大、全球第二大資通訊通路集團，2018年全球營收規模突破台幣1兆2,400億元。
🎯知識與經驗的分享，是我們回饋社會的方式。
【想得到 做不到】
文章出處：〈哈佛商業評論〉2019.11月號
作者：杜書伍 (聯強國際集團總裁兼執行長)
不管在生活上或工作上，我們經常對很多事物的處理或判斷，都能經由理性的邏輯推演，並且細緻的拆解成非常完整的執行步驟，所以很容易認為事情的處置是不困難的。但很高的比例在真正面對問題時，卻做不到；其中最大的問題在「情緒」與「時效」。
「情緒」因素諸如壓力、怠惰、畏縮……等，大家都能體會，反而「時效」是我們在思考處理的方法時，容易被忽略的因素。而且不論是我們自己做或交待部屬該做的事，往往都因時效不及，實際上並未能理性的推演與細緻的拆解執行，仍然落入用直覺、經驗、單點的方式來做判斷處理，原因何在？
一個近乎完美的決策判斷，一定是經由越多方面、越多角度的數據資訊交叉比對，再依權重比例來決定的。而且這些資訊必須是最即時，交叉比對的速度也要非常快，否則瞬息之間環境情況又變了。
上述對於時效的要求，人是做不到的，因此，若能全面的將即時資訊數位化，再利用電腦工具將這些數據，依人所設定的演算法來運算比對，做出決策結果，就能達到上述的理想。
而且，環境一直在變化，人所設定的演算法也要隨環境變化而調整，然而人要重新設計演算法時，同樣需要耗費模擬與建構的時間，同樣也是緩不濟急。
所以，AI智能就是利用大數據以及深度學習演算法，讓電腦能依據環境的改變不斷的學習調整，而由電腦本身即時做出判斷。
這樣才能做到「想得到，做得到」。
當然，AI智能的產出結果，有精準度高低等級的不同，就像人有小學、中學、大學程度智能一樣。但是，當這些不是百分之百準確的AI智能，要被拿來運用時，往往會招致不願改變的使用者，輕易的點出不準確的地方，而振振有詞的拒絕使用。
這些拒絕使用的人，往往就是犯了前述那種「想得到，做不到」的人。他經常會說，我們會這樣判斷、那樣判斷，所以人來判斷會比機器準！但是他們從不去想，實務上他有辦法即時收集這麽多數量、多角度的資料嗎？有能力每次都不受情緒影響、堅持用專業紀律去執行專業判斷嗎？
真正的情況，可能AI智能準確度是90%，但是人來做頂多是70%。
AI智能雖不是完美，但時效性、準確性比人能做到的高，那該不該採用呢？答案當然很清楚。這是推動AI智能工具很重要的認知，推動者不要陷入必須百分百準確的盲點，而使用的人也不要祇是去批評AI智能工具的準確度，要先了解自己現有做法的不準度，這是非常重要的。
數位化、數位能力、物聯網、大數據、AI智能……都是必走的方向，大家都應積極的去了解學習，並投入資源去建構運用。期望本文能幫助破除推進時，會面臨技術能力外的人為心理盲點與阻力。
#連結閱讀：
1. 用方法，用工具，不要隨本能做事
https://www.facebook.com/SYNNEXTU/posts/867920790071653
2. 學習管理理論不難，運用適切很難
https://www.facebook.com/SYNNEXTU/posts/1123123507884712
3. 實務與學理
https://www.facebook.com/SYNNEXTU/posts/1160427477487648
🌏聯強國際為亞太第一大、全球第二大資通訊通路集團，2018年全球營收規模突破台幣1兆2,400億元。
🎯知識與經驗的分享，是我們回饋社會的方式。
【協調性下集】如何提升殺球能力? | 運動科學 | 神經網路理論 ｜流暢哥】
你是否曾經為了做好一個動作，比方說上籃上好、跳舞跳好、揮棒揮好，而反覆練習到學會/變強為止？
從 AI 的深度學習演算法我們可以理解神經網路是怎麼運作的，進而去找到動作學習上的問題在哪裡，並解決AI 領域會遇到的問題，我們人類本身也會遇到，幸運的是AI科學家已經幫我們找出解法了！
當你覺得是最「好」的動作的時候，就真的是最佳的嗎？你登的山是象山還是西馬拉雅山？那登錯了怎麼辦？還有得救嗎？
今天這個影片會以排球的殺球為例，介紹幾個常見問題以及如何透過改變訓練方式去優化動作，之所以拖這麼久才出是因為確實是不好表達，影片已經盡量簡化了，讓我們看下去！
流暢哥IG：https://www.instagram.com/rotator_bro/
練健康IG：https://www.instagram.com/lkk_wellness/
#協調性 #動作模式 #人工智能 #AI #線性代數 #流暢哥 #局部最佳解 #殺球 #排球 #排球殺球
現場直擊並訪問參賽者 @科技大擂台 與AI對話決賽現場！🎯🎯🎯
當天雖然沒能訪問到所有的參賽者，但是我由衷欽佩大家！謝謝你們對台灣中文語音對話技術的著迷與貢獻！期望每位參賽者都能繼續著迷於AI語音辨識領域、繼續把中文語音對話的技術推向更高的成就！
📣謝謝當天接受我訪問的參賽者們：
🥇台大電資學院團隊：李宏毅 Yun-Nung Chen 謝濬丞
🥇華碩團隊：Martin Chang Archer Tsai
🥇中研院詞庫小組團隊：Wei-Yun Ma
🥇第一團：Lin Chun-Yen Migo Liao @casey kao
🥇hakka1團隊：@黃騰杰
🥇AIA校友：Bryan PY Yu
👉還沒看過上集的話，歡迎點這裡觀看：🍿🍿🍿https://youtu.be/8Zv1e1WSbZ8
深度學習 是機器學習中一種基於對資料進行表徵學習的演算法。觀測值（例如一幅圖像）可以使用多種方式來表示，如每個像素強度值的向量，或者更抽象地表示 ... ... <看更多>
2006年，Geoffrey Hinton提出深度信念網路（DBN）及其高效的學習演算法，即Pre-training Fine tuning，並發表於《Science》上，成為其後深度學習演算法的 ... ... <看更多>
深度學習演算法 在 深度學習演算法介紹與技術應用：DNN深度神經網路 - Gigabyte 的相關結果
人工智慧是一個相當巨大的學術領域，現在主流探討的層級，由上而下依序是：人工智慧→機器學習→人工神經網路→深度學習（深度的人工神經網路）→卷積 ... ... <看更多>