<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Monica Lai on Medium]]></title>
        <description><![CDATA[Stories by Monica Lai on Medium]]></description>
        <link>https://medium.com/@molai?source=rss-37bf7b7df725------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*8xYTn6uAo5DINO9YyoINSg.jpeg</url>
            <title>Stories by Monica Lai on Medium</title>
            <link>https://medium.com/@molai?source=rss-37bf7b7df725------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 03:55:40 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@molai/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[一篇關於AI的微科普文]]></title>
            <link>https://medium.com/@molai/%E4%B8%80%E7%AF%87%E9%97%9C%E6%96%BCai%E7%9A%84%E5%BE%AE%E7%A7%91%E6%99%AE%E6%96%87-54dd97662963?source=rss-37bf7b7df725------2</link>
            <guid isPermaLink="false">https://medium.com/p/54dd97662963</guid>
            <category><![CDATA[spotify]]></category>
            <category><![CDATA[google]]></category>
            <category><![CDATA[product-development]]></category>
            <category><![CDATA[recommendation-system]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Monica Lai]]></dc:creator>
            <pubDate>Wed, 03 May 2017 18:22:07 GMT</pubDate>
            <atom:updated>2017-05-03T23:18:11.729Z</atom:updated>
            <content:encoded><![CDATA[<p>如果你腦中經常想起以下問題，或是你常被問到類似問題：「什麼是AI?」「什麼樣的功能算是AI/非AI?」「現在可以做什麼AI feature?」歡迎繼續閱讀。我用了兩到三周間的碎片時間，試著想出些<strong>淺顯</strong>的方式把這個神祕的流行語拆解開來，希望可以幫助自己思考AI這檔事。</p><h4><strong>/What’s AI?</strong></h4><p>來看看<a href="https://en.wikipedia.org/wiki/Artificial_intelligence">Wikipedia</a>怎說：“any device that perceives its environment and takes actions that maximize its chance of success at <strong>some goal</strong>.” 我們來align第一件事，至少在這個世紀的定義中，AI的存在必須要有某種<strong>已知goal</strong>，而在完成該goal的執行階段中，就有了「還沒AI」到「已AI了」兩種階段；接下來用task來代替goal繼續說明，思考比較不會侷限在成就型的目標上。</p><h4><strong>/Think about tasks around us</strong></h4><p>先來想想各種日常生活task，不設限，像是以下例子：</p><p>1. 選擇餐廳、音樂、書籍、商品</p><p>2. 贏得西洋棋比賽</p><p>3. 從A點開車到B點</p><p>4. 換冷氣濾網〈triggered by冷氣不涼 → 為了維持冷氣效能〉</p><p>5. 換手機電池、拿去維修〈triggered by手機變慢 → 為了繼續用現在手機〉</p><p>1 - 3 的task我將它分為intentional〈主動性〉，4 - 5則為triggered〈被動性〉；主動性比較好理解，就是「我想要…」後面接某件事情。被動性比較像，因為遇到了某些狀況，影響原本期望而必須加以處理而被觸發的任務，類似亡羊了就得補牢的概念。</p><p>而要完成一個task總有極多的可能性，因為人類聰明的大腦會考慮到<strong>需求</strong>〈多人聚餐、有人不吃辣不吃牛〉、<strong>情境</strong>〈假日雪隧會塞車〉、<strong>規則</strong>〈棋譜，交通規則〉、<strong>常識</strong>〈冷氣不涼很有可能是濾網該洗了、手機電池似乎消耗得比一年前快〉…等等。加上資訊與選擇越來越多，人的天性讓我們會去追求更好的選擇，這一切因素都讓執行前的決策過程變得很複雜！</p><blockquote><em>1. 隨意的想一個task情境<br>2. 若要把各種因素、可能性都考慮一遍再選擇做法，光想就覺得非常沒效率<br>3. 除非哪裡有一個超級大腦來加速這件事情<br>4. 最好還可以預測這個task需求</em></blockquote><p>…maybe we can sum up this way…</p><h3>「AI是把完成一個目標的眾多可能性，用數學方式快速收斂，並提供出最適結果的一種模式」</h3><h4><strong>/The breakdown</strong></h4><p>先記得這三個階段：分類、觀察、延伸思考。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/633/1*XSS7OdttCkG_oboFPHOaNQ.png" /></figure><p>這裡我把AI分割為四大項目：資料〈data〉、媒介〈medium〉、運算能力〈computational capability〉、實踐〈in practice〉。</p><h4><strong>資料</strong></h4><ul><li><strong>軌跡資料</strong>〈tracking data〉：所有關於完成一個task中會出現的互動、紀錄、外在因子等等，都可以歸納為軌跡資料 e.g. 你在Google search過的字、在蝦皮上瀏覽與按讚的商品、在Amazon留下的review、世界上所有的棋譜、行車紀錄、電池耗損程度、WiFi與手機網路連線偵測紀錄、聊天紀錄等。</li><li><strong>資源資料</strong>〈resource data〉：e.g. Spotify的音樂資料庫，Amazon整個網站上的商品清單、Google Map上所有的地點資訊清單。</li><li><strong>反饋資料</strong>〈feedback data〉：在常見的推薦系統中〈推薦系統就是一種AI這應該沒問題〉，想驗證推薦結果是否對目標達成有幫助，就需要先定義 ”positive feedback” 是什麼。e.g. 電商平台的商品購買、廣告的點擊、服務使用時間有增加等等。反饋資料對於推薦系統的效果很重要，也是推薦系統能做到「推給每個人都有感」的關鍵。如果我們期望的行為不是一個滑鼠點擊這麼單純，要合理定義出 ”positive feedback”，則可以與使用者經驗、人機介面設計的團隊一起來討論！</li></ul><h4><strong>媒介</strong></h4><p>資料是在什麼地方被蒐集?媒介不拘於軟硬體，嚴格定義的話我認為還需具備將資料傳回資料庫的能力。比如Chrome、手機app、手機底層模組，運動手錶、監視攝影機，Nest等。</p><p>UI的設計當然就會影響一個媒介能否良好發揮蒐集資料功能；如果仔細觀察，你可能會發現那些被認為已具AI的產品，通常都伴隨比較容易做資料蒐集的媒介，所以在產品開發時，如果能最大化蒐集資料的機會，就是在增加AI feature的發展潛力。在手機上，現在大概沒有不收使用者資料的app了！</p><p>我覺得Chrome也非常值得一提，有沒有想過瀏覽器的cookie裡面有多少行為資料?如果你曾經發現，在Google上搜尋一個”東京 住宿 推薦”然後不管去到哪個網站就看到Agoda的東京飯店廣告如影隨形，那可以再去搜尋一下RTB、DMP等廣告數據技術，這一塊的熱門相關字也已從幾年前的「程序化購買」慢慢變成「人工智慧」了。</p><h4><strong>運算能力</strong></h4><p>在我較常碰到的情況下，運算能力可以先解釋為，數據模型的建立；in other words，「<strong>根據要完成的task，把最好的可能性的算出來</strong>」</p><p>舉例來說，Spotify在三千萬首歌中必須挑一首出來給你，首先得對它資料庫擁有的每一首音樂貼上標籤與指數〈返家輕聽指數、Cardio指數、咖啡廳音樂指數〉，並用不只一個極大的數學矩陣來計算、預測出你對哪首歌會有興趣〈統計上說法是，最高的機率〉，再加上情境因子〈上下班時間、週間週末、是否使用跑步app〉，常聽的語言偏好等等。這些龐大資料造就可能性的複雜度，但也幫助數據模型考慮周全，能推薦出投你所好的音樂…要推薦給你一首歌實在不容易。</p><p>另一個更複雜的例子是無人車，考慮要達到 ”讓車子自己從A點開到B點” 的數據模型需求。從蒐集到大量的路線資料、行車狀況記錄〈遇到stop signs要停、碰到黃色交叉線、斑馬線、靜態物體、動態物體〉、天氣、路況…等，更複雜的是”開車”是個動態，而無人車也需要許多sensor〈取代眼睛〉，於是這個巨大的數學模型就需要如人腦運作一樣的即時敏銳，才能同時接收、處理、運算、反饋，達到安全開車移動這個目標。</p><h4><strong>實踐</strong></h4><p>任何符合人們心中 ”AI” 的產品、功能或服務，我就都把它們算做是實踐的一種了。再拆成兩類；一類是現在已知的各種task，滿足了上述三個要點後，開發將之AI化的產品，如前面提過的種種例子。</p><p>另一類則是目前還沒有這樣的功能或產品，但可能在某些技術突破，或因某些工作被AI取代後，而產生新的商業模式 - Uber應該可算一例。遙想幾年前雲端技術及運算能力還沒成熟時，即便已有 ”怎麼讓空車資源更有效率的被使用?” 的task，也出現 ”希望有具備快速運算能力的cloud platform可以即時派車” 的期望解決方案，技術的瓶頸還是讓Uber過了好幾年才出現〈大概的概念是這樣子〉。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/633/1*BUnkomTCnMcSZgSO5iGUeA.png" /></figure><p>來點「存疑主義」吧：你已經覺得這個產品好AI、好聰明，不過我們要去觀察、思考一下它還有沒有進步空間?有在哪裡? 我的練習是，想一個你心中top of mind的AI產品，逐項拆解資料、媒介、運算能力、產品後，一個個去想還能補充的地方有什麼。底下的觀察我都只寫了問題，答案每個人想法不一樣，就留給你。</p><p>這裡又是好用的Spotify：</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/654/1*u2ktHgBQATXLi9uJY75zEw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/633/1*J2V9aeZsN_wvTcxsaiOfPQ.png" /></figure><p>觀察練習主要還是基於我們熟悉的AI產品，比較好上手，再來，我們就能繼續延伸思考，「怎麼發想AI feature?」</p><ol><li>記得維基大神說過，AI是為了最大化達成 “some goal”的機會，所以先想一件goal〈希望身體健康也可，只是後續發想比較複雜〉。因為夏天快來了，我的goal就設為希望冷氣可以保持最佳運轉整個夏天。</li><li>開始思考資料、媒介、運算能力各會是什麼</li><li>再做觀察練習</li></ol><p>於是乎，這裡有一個關於未來AI濾網的故事：</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/654/1*oykY6pr0PsKdHQAuh9xWeA.png" /></figure><h4>/To be continued</h4><p>因為思考練習的重點都在前面拆解的原理，感覺頭重腳輕，旨在寫完一篇3000字文〈誤〉。</p><p>這是塵世中一個產品經理/資料科學團隊成員的工作心得分享，有練習有收穫，再寫再勵！</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=54dd97662963" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>