台灣人工智慧年會 Day2

--- tags: 台灣人工智慧年會 --- # 台灣人工智慧年會 Day2 ## R0 ### 認知神經科學x人工智慧 * 用認知神經科學來改善人工智慧 * 電腦 vs 心智 vs 大腦 * 認知神經科學：心智 vs 大腦 * 人工智慧跟認知科學：心智 vs 電腦 * 類神經網路跟計算神經科學：電腦 vs 大腦 * AI與認知科學 * 心理學家被電腦科學影響 * 把人腦比為電腦 * 執行控制系統：中央處理器 * 短期記憶：RAM * 長期記憶：硬碟 * 機器學習對認知科學的影響 * 當代讀心術 * 發展腦機介面 * 人類心智 vs 人工智慧 * 共演化 * 更了解人類心智可以提供更好的人工智慧模型 * 認知神經科學帶給人工智慧的影響 * CNN設計 * sliding windows: 神經元只會跟自己附近的神經元連線 * attention * context information * ----- ## R1 ### Smart Sensing and Continuous Monitoring * IoT 結合人工智慧 * 讓sensor端處理簡單少量的資料，讓cloud處理複雜的演算法 * Inductive IoT （IIoT） * 希望在工廠可以做異常偵測，氣體洩漏或是機台的壽命預測 * 了解機台的狀態，並給出建議，何時更換機台 * 需要找出這件事情的指標並建立預測模型 * motivation * 馬達是到處可見、便宜，但是一旦壞掉會導致整個產線崩潰 * 工廠環境非常noisy * Usage scenario * 蒐集正常機台運轉的資料 * Proof of concept * 把3軸加速器放到電扇馬達上，並可以偵測不同轉速模式 * 3軸加速器放的方向有差嗎？ * 設計fault torelance * Denoising * 可以用快速傅利葉轉換 * 但是想用簡單的加減運算方式做到 * Model * data is linear separatable * sliding window * SVM works! (5-fold cross validation) * 儘量讓資料的前處理及模型更簡單 * 到工廠測試 * 測試的馬達年紀太接近，分不出來 * 錄製機台的馬達 * 持續監控 * detection rule: 在一段時間中，超出統計範圍才警報 * Future work * 程式的大小放不進end device * try to implement all operations on end device ----- ### Structure Learning in Deep Learning * What is the right architecture? * 希望網路本身可以擷取feature * Feature engineering is replaced by architecture engineering * resnet * sequence2sequence * attention * structure learning * Graduate student descent * challenges * network design is hard! * tuning architecture spent too much time * automated structure learning * often restrict to specific family (ConvNet) * Sum-product network * ----- ### 善用 Machine Learning 及 AWS serverless 架構分析惡意檔案 * What's the problem * too many cases need human to handle * solution * automatical and scalability * machine learning on AWS * AWS * event dispatch * cloudwatch * trigger lambda * lambda * SQS * message queue * SNS * topic subscription * Feature engineeing * lambda (limitations) * ECS task (container) * prediction * predict scheduler * 檢查input是完整的 * cloudwatch * lambda * predict * lambda * pridiction provider * 把結果送回client * * performance * summary ----- ## R2 ----- ## A0 ### AI and ME: 智慧人機互動 * 人要使用機器，但是人太不了解機器，希望機器可以提供他的現狀讓人了解！ * Let AI empower people! * 機器的演化速度比人還快很多！ * 相對使用聰明的工具會讓人變笨 * Augmented collective beings * Augmented sensing * Augmented vision: 當視野被大卡車擋住的時候，可以試圖把大卡車變"透明"，以看到遠景 * monitor power consumption * 不應該所有事情都是使用者付費，有些教室天然環境比較熱，所以當然冷氣開比較多 * 使用者付費的部份應該是相對應該有多少的支出，多出來的部份需要使用者付費 * 從recognition到understanding有一段距離 * Understand human behavior * Augmented communication * 偵測如果冷氣打開、窗戶打開，有人走過就發出警告，讓人把窗戶關閉 * [Wakey](https://www.facebook.com/ntudschool/posts/1808907006020378) * [DEMO](https://www.youtube.com/watch?v=m62Nfls2htM) ----- ### 人工智慧第三波革命 * 第一波 * 80.90年代 * 打造專家系統 * 試圖把專家的知識輸入到電腦當中 * 聘僱專家的成本太高 * 第二波 * 1995~去年 * Big data and ML * CPU, memory的進步 * network技術的進步 * 主要以統計為基礎的機器學習 * 高峰： AlphaGo * 第三波？ * from narrow to general AI (從弱人工智慧到強人工智慧) * 推論能力？ * 人工智慧與人的合作 * 溝通能力 * 認知到人類的情感與生理狀態 * 信任感 * 同理心 * 人工智慧的安全性與可信度 * 對ML的攻擊 * 避免誤導AI的判斷 * AI病毒？ * 人工智慧的道德觀 * AI沒有學的很好、沒有全面考慮清楚，做出錯誤的判斷 * 透明的人工智慧的方法 * 人無法接受自己不理解的事物 * 研究成果 * 保護隱私的推荐系統 * secure distributed recommender system * database在client * client有personal model * server有public model * training：需要傳輸gradient到server * predict: public model傳給client與personal model結合才能進行推荐 * 有道德觀的AI * making decision related to life or death * 假設大多數人的行為是符合道德觀的 * Ethic shaping * 在原本的模型當中加上道德觀的分數 -----