# 台灣敏捷部落(TAT)共筆_敏捷真的不合適人工智能專案？_李國彪Bill Li & Kent(俞青)
###### tags: `敏捷`
## 共筆快速入門
https://hackmd.io/s/quick-start-tw
<font color=#f00>**如果有需要貼入圖片可以直接螢幕截圖放到本共同筆記裡,如以下影片示範**</font>
[https://youtu.be/W2tIBZiTYR0]
如果換字體顏色, 把以下程式碼拷貝來改即可
* <font color=#f00>紅字</font>
* <font color=#00f>藍字</font>
* <font color=#390>綠字</font>
## 主講人簡介


探索、敏捷地心態AI

大學同學，加入同一家美資，一起移民到多倫多，資訊科技，軟體開發

Kent進入AI領域，AI裡面有很多軟體的技術在裡面，有很多新的用途

什麼吸引Kent進入AI領域?

AI很神奇，思考方式，AlphaGo，參加AlphaGo的分析，看了AlphaGo之後，機器也能思考，不同的思考方式，機器有了直覺，所以進入AI

## 科普
AI不一定大家都熟悉，先請Kent介紹AI

AI是智能，
- 理性
- 學習
- 感知 (perception)
- 知識
- 語言能力
- 社群能力

AI如何學習獲得智能
如何認狗與貓，有2種教法
1. 把知識告訴他，教他規則
2. 給100張狗與貓的照片，讓小朋友去學，但每個人辨識的地方不一樣，也就是不用告訴規則

Machine Learning與Deep Learning
Machine Learning，背後是數學模型，使用data
Deep Learning，是在Machine Learning的基礎上，更複雜的計算

## 從敏捷角度看AI

左下角是你知道你要什麼，需求清晰，怎麼做也清晰

左上角，軟體大部份在這個區塊，知道怎麼做，但需求不明確，一邊做一邊探索

右邊就屬於AI，
右下角，替代人，需求清晰
右上角，革命性的

更快的變革是替代人的AI

## 範式?改變

工業革命，很容易想像

最早的電商，有了蒸氣機，有了鐵路
有了電影，有導演、有燈光
電腦，現在smartphone，有了tiktok，在電腦時代是想像不到的

這些都是範式改變

## AI為什麼具備潛在顛覆能力

AI在決策上，有大數據，有運算能力，讓決策變快，帶來巨大的改變。

## 替代性AI例子 (AI替代中醫的望聞問切)
- finance：買賣股票
- 製造業：QA/QC
- 交通：自動駕駛
- 醫療：判讀X光片
- 照顧：偵測老人跌倒
- 客服：chatbot
- 藝術：AI把創意畫出來，人只作挑選

敏捷的心態、原則，VUCA環境下，更快探索與回饋，進展，跨職能團隊，Scrum迭代，品質、價值，把握投資回報
更好地靈活去應對VUCA

## AI如何應對VUCA

AI也面臨Uncertainty，軟體有需求，作迭代，
另一個場景，看醫生，咳嗽，不知道原因，這種uncertainty，要檢驗、推測，這就是AI的問題，也就是當你要去問某個AI問題，但很多都只能邊作邊嘗試。

小車一頓一頓，用GPS、用雷達、用感測器，它牽涉到很多學科在裡面，會把uncertainty放大，需要從更多的角度去檢視

## AI角度具體uncertainty的來源

為什麼會有uncertainty，
AI有很多東西要case by case，它就是一個uncertainty，在early stage，汽車剛出來，若要求很多東西，只能邊做邊測

- 訊息不對稱
案例：賣書
賣書有很多方法
- 廣告
- discount
想很多scenarios
推薦書：怎麼知道AI推薦的書好不好，書賣掉多少 => metric
有了metric，就可以做一個AI Model
有fit score，但書沒有多賣，在這個flow裡面有gap
AI會學習買過三國演義上冊，會買下冊，但這個目標錯誤，它應該學習，沒有推薦，就不買，應該學習的是causation，但它常常學到的是correlation

## 典型AI/Machine Learning的專案流程

上面的流程
Business Objective => 產品

Machine Learning是data-driven

1. 收集資料：(要知道有什麼資料)
- 書的購買記錄
- google map

2. Raw data改成更有效的資料 (Feature Engineering)
- 買書的日期，可能會知道是week days或weekend，或者是天氣、假日。

3. 只有資料沒有用，還要標注答案 (data annotations)
- contracts，有些term錯誤，需要把contracts找出來，然後把錯誤標注出來

4. Model Building
5. Model Training：很花時間
6. Model Evaluation：把資料一部份用來作evaluation，像很考試，看model好不好
- 當結果不好的時候，就要逐個環節檢視，那個環節有問題

Build完model後，還有個裡面的圈，一直測試

## AI敏捷 vs. 軟體敏捷獨有的挑戰

開山路，Product backlog，很遠是看不清楚的，在做敏捷開發，把這階段的backlogs拿出來執行。這是典型的scrum
看清楚路後，就會知道怎麼做

但上面這種假設，在AI是不存在的，它看到的是一座大山
例如自動駕駛，目前特斯拉還是沒辦法完全解決

上圖就會是machine learning經常會遇到的問題，連要做什麼都不知道，處於一種chaotic狀態

## Scrum或典型地Agile落地到AI，需要做什麼調整

目前AI面臨的是disability
首先要面對的就是planning

要先過了risk，有了初步的model或結果，可以做planning，Scrum就可以派上用場

在找河，是spike部份
所以AI要分成2個階段，要先探索，才能進入軟體的開發，右邊的部份

scrum在product backlog是線性的，在sprint的圈是人為的，但在machine learning本來就是一個圈

要有key metrics，但metrics好不好，要有個baseline來作判斷

## Scrum的review可類比於AI的metrics
書的推薦的例子，在AI其實一直在做同樣的metrics，量變可能引起質變，過了一個閥值，才會有一個全新的結果

有興趣，有fun，才能不斷學習，創造新記錄

## Q&A
1. AI的衝擊程度

Ans：之前講過的，工業革命，雖然某些工作被替代，但新的工作機會會產生

2. ChatGPT

Ans：它有很多amazing的能力，但ChatGPT沒有基本的能力，例如邏輯能力，它是一個剛出生的小孩，但它關在監獄中看了很多書，但它沒有出過監獄，像是天龍八部中的唐語嫣。它是一個百科全書，但完全沒體驗過生活。GPT看了很多書，但ChatGPT有個特別的訓練，在很多的應答方法中，特別訓練人類喜歡的應答就是ChatGPT。所以人類需要提升的，應該是怎麼問出好的問題，有好的問題才能進一步解決問題。

人和機器的結合，知識不用學習，人要培養思考能力