人工智慧最新趨勢分享　AI達人來開講｜專家論點【台灣人工智慧協會 AI Talk】

採訪撰稿／黃楷元、陳士勳

在現今社會，「人工智慧」已是人類現代科技的核心之一。無論是個人應用、企業決策，都扮演不可或缺的角色。為了推廣人工智慧的產業應用及相關人才培育，台灣人工智慧協會定期舉辦「AI Talk專題演講」活動，邀請人工智慧業界人士共同切磋交流。11月3日的場次，邀請到三位「台灣人工智慧學校」的校友前來分享，分別是英諾瓦科技產品經理鄭沅巧、亞達科技AI工程師王柏鈞、以及Google機器學習工程師黃誠熙。

首先，由鄭沅巧介紹AI專案管理於智慧醫療的實踐，其所屬的英諾瓦資訊科技服務有限公司運用創新科技提供資訊服務給全球不同產業的客戶群。位於台北的軟體研發中心，是英諾瓦為全美最大醫療支付系統公司──「Change Healthcare」所成立的首座海外軟體研發中心。鄭沅巧指出，針對專案管理方法論演進，敏捷式或瀑布式各有優缺點，若軟體企業已成長到一定規模，「大規模敏捷開發」將是一種有效的專案管理模式，能夠讓不同軟體部門「快速迭代」，又能避免溝通落差。

「交付內容會一直變動，直到大家都能接受的結果出現。客戶的需求回饋才是致勝關鍵。」鄭沅巧說。專案生命週期從起始規劃到執行結束，最容易失敗的並非沒有成果，而是做出來的東西偏離主題，或客戶不滿意。對此AI軟體從業者必須機動因應、配合需求變更，更貼近企業所關注價值。

鄭沅巧觀察，台灣的醫療專業與研究實力備受國際肯定，醫材硬體亦享譽國際，具發展智慧醫療優勢，不過最大挑戰是資源門檻太高，「不像製造業較為明確，醫療成果的變現時間很長。」若要善用AI專案管理，可設定好方向和目標，接著不停在過程中摸索，得擁有即便失敗，也要創造價值的恆心。

第二段的主講人亞達科技AI工程師王柏鈞，則向現場與會者重點介紹「聯邦學習 (Federated learning)」。聯邦學習 屬於分散式學習 (Distributed learning) 的一種，最初是為了配合資安規範所衍生出來的解決方案。在一些資料量不足、或是礙於資安規範無法收集大量資料的情況下，可以透過聯邦學習來達成目標。

以Google的智慧輸入法為例，在每個使用者的手機中，都會有許多選字習慣的數據。如果把這些數據赤裸裸地全部送到伺服器，固然可以有很好的學習效果，來改善輸入法的選字，但這卻可能是資安以及隱私的大災難，以目前歐盟要求的資安規範 (GDPR) 來說是不會允許這種事情發生的。因此山不轉路轉，聯邦學習技術應運而生。透過聯邦學習來進行模型的訓練，不需要傳出完整的「資料（data）」、只需要共享「資訊（information）」即可，對於用戶隱私的保障也更加周全。

在聯邦學習領域中，可以研究的議題很多，諸如：

• 加密技術：例如同態加密、或量子聯邦等。
• 資安規範：需要公正周延的檢驗機制，來確認聯邦學習的合法性。
• 通訊成本：從用戶端傳輸資訊到伺服器，對用戶及伺服器端都會造成負擔。
• 公平性與獎勵機制：根據貢獻的資料量，來決定獲得的回饋程度，可鼓勵更多邊緣端（用戶）參與聯邦學習。
• 防弊措施：如何避免模型被留後門、或是在干擾下維持穩定。

未來在許多客製化的應用上，聯邦學習都可以在保護隱私的前提下，提供更貼近使用者的方案。不同的企業之間，也可以透過聯邦學習，在不洩露商業機密的情況下，有更多的合作空間。

最後的段落，由Google機器學習工程師黃誠熙分享自己的職涯歷程，他曾經在灣區的Google總部任職，親身體驗在美國科技產業闖蕩的各種點滴。如今返回故鄉、在Google台灣辦公室任職，在演講中分享自身觀點見聞，提供對於人工智慧、機器學習相關職缺有興趣的科技人參考。

黃誠熙把會應用人工智慧的公司分成兩大類，分別是大型科技公司、以及新創公司（Startups）。這兩種公司需要的人才略有差異，大公司比較重視應徵者的「潛力」，因為資源比較豐富，可以對人才進行長期的投資，以及更充裕的訓練，想要應徵的求職者，就要充分展現自己的資質與未來可能性；反之，新創公司需要的多是即戰力，尤其是你的特定技能可以直接對應到公司當前的需求者，在求職上才會更有優勢。

大型科技公司的AI相關職缺，包括數據科學家（data scientist）、研究科學家（research scientist）、應用科學家（applied scientist）、及機器學習軟體工程師（machine learning software engineer）；新創公司除了數據科學家的需求相同之外，其他的職缺則偏向分析師（analyst）及數據工程師（data engineer）。

黃誠熙也對於各種職缺所應具備的能力、或是應徵時會被考驗的技能，提出了建議。若是數據科學家或分析師，那麼會需要的是統計能力、假設驗證或分組測試（AB Test的能力、以及對於結構化查詢語言（SQL）的熟稔。

應用科學家則是亞馬遜和微軟的特殊職缺，從研究階段一路做到生產階段，機器學習或分析的需求必須一手包辦，因此和機器學習工程師相似，兩者需要的技能都是機器學習端至端的討論、數學推導能力、及基本編碼能力。最後，工程師則是專精於程式編碼的達人，Coding 能力決勝負。

席間氣氛熱絡，現場校友及聽眾不只在新知上收穫滿滿，在會後交流更開拓多元的交流及合作空間、滿載而歸。台灣人工智慧協會下一場次的「AI Talk專題演講」將於12月1日（四）舉辦，若有興趣加入研討人工智慧的行列，可密切關注【科技島】及台灣人工智慧協會官網。

瀏覽 2,461 次