新加坡雖然小，但作為東南亞，甚至亞洲區域樞紐的角色，讓這個城市國家總是能夠把握機會在大潮中快速探出頭。在 4 月 27、28 兩天，RE•WORK 這家專業科技創業會展公司在新加坡舉辦了兩天的深度學習活動，分成兩場：深度學習高峰會，與深度學習與金融應用高峰會。PanX 泛科技身為媒體合作夥伴，也出席參加了豐富的活動，並與現場來賓多方互動。

兩天下來超過 50 位講者輪番分享，主題範圍極廣，以下簡要介紹 5 個令我們聽了之後很想再「深度學習」一番的人工智慧應用，不過基於尊重演講者與主辦單位的智慧財產，我們僅會重點介紹，如果想知道更多，歡迎與RE•WORK 或演講者直接聯繫。

人工智慧能有美感嗎？

首先來聊聊 Zomato 的機器學習工程師 Amit Kushwaha 提出的問題：為什麼人工智慧的美感需要提升，以及該如何提升？上網的時候我們會看見大量的圖片，雖然每個人的美學經驗不同，但還是都有共通點，例如我們都會認為某些大自然的雄偉景象是美的，也可以判斷出什麼樣的打光、對比、構圖是美的。但人工智慧跟這又有什麼關係呢？他舉例：像是透過美食餐廳網站（像是 Yelp、愛評網之類的，或包括 Google 跟 Facebook ）找餐廳，你都可以看見消費者自己上傳的餐廳跟美食照片，但品質參差不齊，也無法靠人工一一處理，如果能夠利用深度學習，讓系統自己判斷出哪些是比較美的照片，挑選並顯示出來，那對於消費者的吸引力就會有所提升。相信你已經想到更多其他的應用場景了吧～但現在的固定尺寸輸入限制讓圖像的尺寸、比例受到扭曲，也就傷害了美感。Kushwaha 提出的深度學習圖像美學判讀方式可以解決上述問題，最高可以達到 77.2% 的正確率。

人工智慧易騙難教，怎麼辦？

Nicolas Papernot 是 Google PhD Fellow，這次分享的主題他先前也在部落格「Clever Hans」討論過，那就是，該如何在人工智慧時代確保資料的安全與隱私保護？Papernot 舉出四大對抗型場景，分別是自駕車、金融犯罪偵測、惡意軟體與 APT(高級長期威脅)、還有MLaaS(機器學習作為平台服務)。在一個圖像辨識的案例中，原本機器判讀是一張貓熊的照片，但是在微幅加權被判讀為線蟲的圖片後，機器竟然把貓熊判讀為長臂猿。要是攻擊者能夠利用相同的手法讓自駕車把路上的停止標誌看成別的，那後果可能很糟糕。攻擊者不需要駭入任何系統，只需要騙過人工智慧就可以。Papernot 也在後半部演講提出可能的解決之道。

怎樣讓聊天機器人別再瞎聊？

搭著人工智慧跟即時通訊的熱潮，Chatbot 越來越紅，但老實說，我自己使用經驗還蠻不好，所以通常用了一下就放棄。這有幾個原因，一個是 Chatbot 對語意的掌握欠佳，無法個人化的反饋，特別是在 generative model 中(另外一個則是 retrieval-based model)。另外，我們在手機上懶得打太多字，而創造出一些專屬用語，這些也增加了困難。Valdi Rachman 現在還是印尼國立大學的學生，他認為英文的 Chatbot 經過多年來的調校，已經有顯著的成長，但是在手機大國印尼，語言文法的差異、在地使用文字方式的差異，讓 Chatbot 難以發揮。他與 Kata.ai 合作，研究自然語言處理(NLP)中的語意角色標籤(SRL)，目標是自動替每一句話中的每一個謂語(predicate)的每一個論點(argument)都加上語意的角色。舉例來說，如果你跟 Chatbot 說「Hi, Jemma，我今天吃了海南雞飯」，而 Chatbot 回應「Hi，聽起來很棒喔」會讓你覺得很無趣，不想繼續談下去，但如果他回答「海南雞飯不錯喔，好吃嗎？」就會讓你更有繼續談下去的感覺。所以他的研究重點就是針對印尼文的自然語言處理，在目前欠缺研究的情況下，有諸多課題待解，如俚語或黑話、縮寫、非動詞的謂語、文法結構不明確等等。而在演講中他表示他的研究已經有所突破。

AI 可以玩遊戲，也能玩股市？

將 AI 用在股市交易已經不是新鮮事，不過來自 Prediction Machine 的 David Samuel 提出了新的做法，他從 Google 旗下的 DeepMind 用 QRL/DQN 學會玩 Atari 遊戲的研究中想到，這方法應該也可以用來訓練機器自動在股市低點買入高點賣出，並且推論出交易區間以及最佳的進場跟出場時刻。QRL 的意思是「Quantum Reinforcement Learning」，結合了量子理論的疊加態與平行運算，再加上強化學習，DQN 的意思是 「Deep Q Network」，也就是相較於人類的機器玩家。經過三個不同的訓練階段，機器學會該在何時買賣股票，最後達到了狂賺的程度，令人驚艷。

機器學習如何讓保險業更保險？

來自印度的 Siddhant Tiwanri 是新加坡大學的高材生，目前是 AXA 數據創新實驗室的 70 名數據科學家之一。AXA 保險公司在全球有超過 16 萬名員工，服務超過一億保戶。而他的重要工作就是將大數據這個名詞夯起來之後被提到爛的「用數據決定保險」真正實現。概念說起來很簡單：駕駛的行為、環境的狀態，如何可以做為保險受保與理賠金額的依據？裝了他們開發的 App 之後，公司可以獲得行車資訊、環境資訊，還可以加入遊戲化設計，讓駕駛更願意安全行駛。駕駛也可以從手機上獲得旅途的安全係數、在地圖上看見哪裡出過車禍、以及比較常因為不良駕駛而出車禍的危險地點跟區域。他們從數據中發現道路的各種特性與車禍風險的關聯，其中彎度是關聯度最高的。另外，他們的工具還可以幫助駕駛快速填寫事故說明，預先發出救援訊息。對保險公司來說，除了提供保戶更好的服務，也可以儘速知道損失，減少假車禍申請理賠。駕駛以後也只需要以駕駛數據為最重要指標來支付符合真實風險的保險金額，更安全的駕駛行為也可以減少理賠的發生，App 也創造更多接觸點讓保險員有更多機會與保戶溝通。

整體而言，兩天的演講實在是目不暇給。總結起來，可以觀察到以下三點：

第一：深度學習與人工智慧的應用案例多元，進步速度驚人。
第二：Google 在人工智慧的領導地位不容置疑，許多案例都基於 Google 與 DeepMind 的研究延伸。
第三：新加坡亟欲在深度學習領域中獲得區域領導角色，也藉此維持金融業的強大。產學研合作非常密切，跨國合作案例很多。人才的競逐越演越烈。

在深度學習領域，台灣雖然也有許多專家，也有多家極具競爭力的人工智慧科技公司，但相較於新加坡，聲勢的確差很多。兩天的活動中，台灣人的存在感也低，我想更多的國際參與是有必要的。PanX 泛科技接下來會增加更多關於人工智慧的發展介紹與國內外優異案例分享，請持續關注。