# 數據和人工智慧的商業價值

###### tags: `MyNTUST`

[toc]

Speaker
===

- 陳俊仰
- Scott Chen
- 台科百萬乾爹
- 經歷
- 臺科大人工智慧研究中心執行長
- 臺科大資工系副教授
- 蘭馨亞洲投資集團投資總監
- Grindr 總裁
- 世界最大同志交友平台
- 600M USD 售出
- Instagram 技術主管
- Facebook 技術主管
- Data infra
- Search
- Growth
- ML
- 被人出櫃兩次
- 天使投資人
- 學歷
- 台灣大學電機(EE)系學士
- 台灣大學電信(CE)所碩士
- 美國加州理工學院訊號處理(SP)博士

\> 感謝俊仰把拔又讓台科多活五天 <
---

Big Tech Compamnies
===

1. Apple
2. Microsoft
3. Amazon
4. Google
5. Facebook
6. 阿里巴巴
7. 騰訊
8. Tesla
9. BRKA
10. BRKB
11. TSCM

Software is eating the world
---

- Big companies change how we live and work
- Getting information
- Communicating with friends and families
- Buying stuff
- Starting a bussiness

- Comparison
- Taiwan's GDP in 2019 was 605B
- 全台灣人工作一年買不起一間前十的公司
- Media Tek's Market Cap is 40B

- Big tech companies are relatively small in terms of employees
- Facebook has only 56600 employees
- $791B/55600 = $14M market cap employees

過去十五年，最大公司由能源公司轉成軟體公司
---

- 2006
- 能源
- 重工業
- 2010
- 中國企業
- 軟體
- 能源
- 2020
- 軟體
- 半導體
- 技術成本重，難以被複製

Big Tech Companies Accelerate Innovation
---

- Innovation in 2020
- Backend on AWS
- Apps on Apple Store / Google Play Store
- Facebook / Google Ads
- Amazon, FB, Shoptify

- Innovation in 2000
- very hard to start
- More people
- A lot more money
- Cannot easily scale the bussiness

Why these companies grow so fast?
---

- Move Fast
- 軟體業的迭代容易且快速

- Data Driven
- 可以蒐集回饋
- A/B Test
- Monitoring the operating numbers prevents regression

- Evolving like a living organism

Example. Data on Facebook
---

- 2.5B Daily Users
- 25T/s
- Save at Data Warehouse (Use Hadoop, ~EBs)
- Distrubted Computing (Using ML Training)
- Data Center
- 氣候乾冷
- 水電便宜
- 出事機率低

Data the new gold
===

Value of the Date
---

- Dashboards to monitor operating numbers
- Ad-hoc queries to obtain bussiness insights
- A/B test to improve the product
- Maching learning models for smart products
- Ads
- Newsfeed
- Search
- People/Page Suggestion
- 若沒有蒐集回饋就如同無頭蒼蠅，沒有目的地前進
- 廣告推送應該是 AI 的最大應用領域

Example: FB Search
---

- Sending commands(queries) to aggregator
- 使用了很多技術
- Using ML learning to sort the keywords

Machine Learning, the New Technology
===

The Learning Problem
---

- Obtain the following Function from Data
- Function (Searcher, Target, Context...) = Click Probability
- Different functions lead to different probabilities
- Function(Features) = Model(Features, Parameters)

- The work of a ML Engineer
- Choose the **Model**
- Build the right **Features**
- Obtain and clean the **Data**

QA
===

1. 遇到甚麼樣的困難，如何解決?
- 最後一間公司
- 文化差異
- 組織改革
- 跟某些員工鬧得很難看
- 自學以彌補不足

2. 處在人生低潮時，該如何調適?
- 自立自強
- 立定目標，相信自己
- 人生不要只看單方面的專長
- 同儕的影響很重要
- 健身

3. 回台期間有什麼計畫嗎?
- Gap year
- 投資
- 創立私募基金
- 持續當個**有生產力的人**
- 也許開課
- 擔心離開公司後知識跟不上時代變化
- 其實是沒計畫

4. 如何將臺科的技術人力與國際市場連接?
- 當 Intern
- **\Open Source/**
- 請擔任公司重要職務的老師與公司牽線

5. 有沒有辦法靠把拔成立高科技農場?
- 找一般公司有點難~~把拔認識的都是大企業~~
- 總而言之：很難

6. 對於傳統系統中培育出的學生有何建議?
- 教學速度犧牲許多思考辯論的機會
- 腦袋要夠好
- 思考教學的本質
- 不要當知識 Beggar

7. 對於工作多年工程師的建議，持續鑽研或換跑道?
- 兩者有各自的路可以走
- 技術專精的流動性強，不需等待職缺
- 管理需與人交流
- 做管理技術能力會下降
- 流通性下降

8. 讀博士對你的影響?
- 你要能預測五年後你畢業時的時勢
- 如果好奇心、學習力很強，在外面繞繞也會很有收穫
- 在職涯後期，對硬理論的理解力會很有幫助
- 博士是孤獨的學習，路上沒有人陪你
- 也可能是因為你本來就沒朋友

9. 對岸相對於我們的思辨能力?
- 相對大膽
- 更會批判
- 更識時務~~見風轉舵~~
- 更有侵略性

10. 大公司們突出的特點?
- (有點雞同鴨講我不知道他們在說什麼)

11. 經常轉換領域或專一領域?
- 專一
- 升官快速
- 轉換
- 可以看到不同的做事方式

12. 如何決定要不要投資一個人或組織及投資多少，你的衡量指標是什麼?
- [replied from email] 投資就是要賺錢，所以都是在算期望值跟目前其他機會的比較 (機會成本)，估算期望值就看自己懂多少，如果不懂的無法估算會跳過

13. 大公司(如Facebook)對 Go 語言的看法及其可能的應用?
- [replied from email] Google 應該是有支持 Golang，我的經驗是大公司蠻能試新語言的，如果有新的 Project 會選技術上最合適的，不會管語言是什麼

Contributor
===

- [calee](calee.tw)
- Yi0327