網頁

YES,UCAN加油團粉絲專頁活動

2018年9月27日

從AI人工智慧預見重要的職涯能力─技術、思維,以及用失敗找答案的競爭力─

口述/見臻科技營運長 闕壯穎博士
採訪撰稿/UCAN計畫特約記者 陳昕彤

「人工智慧」悄然進入日常生活的產業結構,已不是未來,而是現在就要儲備的競爭力。本期UCAN新興職務系列,有鑑於人工智慧在多項技術應用之大幅進展,遂積極邀請人工智慧晶片產業專家闕壯穎博士就「人工智慧」的主流趨勢,從科技發展、產業人才能力需求和能力培育三大方向,深度探討AI人工智慧將預見哪些的能力。

圖:人工智慧晶片專家闕壯穎博士,與我們分享最貼近實務的AI人工智慧人才工作樣貌!
(圖片來源,闕壯穎博士)

》人工智慧興起三要素:資料、硬體、演算法

“人工智慧(AI, Artificial Intelligent)近年來興盛有三個因素,包括:資料量、硬體運算能力、以及最後的演算法。”

闕壯穎博士開宗明義指出人工智慧發展升溫的關鍵指標。人工智慧一詞於1956年就已被John McCarthy提出,並確立以「只要經過一代的努力,和人類具有同樣智慧的機器將會出現」做為人工智慧的研究方向;此後的數十年間,AI研究便以實現這一句話為發展目標。

然而,人工智慧的發展過程並不像科學家們所想像的樂觀,一直到21世紀初,全球資料與資訊出現爆炸性的成長之外,硬體運算方面也在nVIDIA帶頭生產繪圖晶片(GPU)之後,不僅提供演算法(Algorithm)充足的驗證環境,更對人工智慧研究領域注入了一劑強而有力的成長激素,最後在Hinton 教授2006年提出成功訓練多層神經網路之後,終於在2012年史丹佛大學ImageNet圖像識別競賽中,以16.42%失誤率一戰成名。

“人工智慧就在資料量、硬體運算能力、演算法三者相輔相成的關係下,解決了過去被視為無法解決的問題,也在實現了商務應用。”

不過,人工智慧技術會振翅高飛,ImageNet是幕後的成功推手。它是開放給電腦視覺研究者使用的圖像辨識測試數據庫,使研究人員能夠很容易地取得圖片訓練演算法。闕博士認為,任何「有志在人工智慧上提出的創新事業,可以在『如何找出一個有自我掌控能力數據集(dataset)』的思考點上進行;不僅可避開大公司資源獨佔,更會是可行性較高的研發策略。」

有一間以AI應用聞名的以色列創新公司LawGeex,便是應用AI技術審查律師事務中重複性較高的合約審查工作,像是一般活躍量約在2~4萬的企業保密協議(NDA)審核庶務,改由監控概念取代傳統關鍵字搜尋,不僅大幅降低時間成本,也因此掌握到大量的B2B數據。同樣的原則也在「見臻科技」的AI產品模組中出現。「見臻」以提供視線追蹤晶片模組為企業解決方案(eye-tracking solutions,又稱眼球追蹤裝置或是眼動儀),適合運用於虛擬實境(VR)或擴增實境(AR)、醫療照護、消費者行為分析…等商務場域。在見臻的模組中,使用人工智慧中的機器學習技術為演算法,並以先進的半導體製程來做運算單元,達成業界中最長使用時數(battery life)、最小版型(form factor)、最精準的視線追蹤解決方案,不僅取得不同人種的眼睛影像數據集,也避開了大公司壟斷,取得數據力量的發展藍圖。

》想成為AI工程師?三件不可不懂的事

1.AI晶片製程的層級性
台灣的產業環境在人才培育上,其實:

“還少了一種看全面性問題的人,一種需要同時具備系統觀與策略型思考的人才。” 

主晶片製程具有層級性,從最底層的晶片往上算起,第二層是硬體語言(assembly language)主要負責程式轉成邏輯運算,第三層為函式庫(Libraries)主掌數據的運算功能,再更上去一層是AI函式庫,像是nVIDIA的CUDA DNN就是專門為類神經網絡架的library;最後才能接近到較為表層的軟體框架(俗稱:Framework)、軟體架構設計(俗稱:Software Architecture)之後,才能浮出一般社會大眾較為熟悉的程式設計師,撰寫各式各樣功能需求的演算法(Algorithm)。

2.全面性的問題點出自於哪裡?
Framework。全球Framework由Tensorflow和Caffe所壟斷,它是一個使用於機器學習的開源軟體庫,支援深度學習各項演算法,全球有大量的軟體工程師在Tensorflow和Caffe上撰寫AI程式,已非常習慣使用大公司所提供的函數庫環境,早已綁住了程式設計師的使用者行為,要做到使用者「無感」移轉,在有限的資源下貿然從事,成功機率頗為艱難。

3.要有掌握資料自有的策略思維
台灣AI人工智慧的發展方向應從需求少但很專精的小眾開始耕耘,做到一個對數據有自我掌控能力的裝置的發展策略,如:監視鏡頭的圖像就是不需要和外界溝通、能自我定義輸出的執行策略。

》踏入AI世代不可或缺的職涯能力是什麼?

對於AI軟體設計工程師的核心競爭力,闕博士以工匠vs.工具的關係來譬喻:
  1. 工具:也就是程式語言,要了解當下有哪幾個主要的程式語言及其相關優勢,有利於加速進入工程師的工作領域。
  2. 了解工具的使用方法:使用程式語言寫出需要的程式,而之中最重要的能力是要有能力掌握寫程式語言的邏輯思考歷程(logical thinking process)。
  3. 最熟悉的工具:選一個你最有心得的程式語言,然後,專注深耕。

對學習者來說,邏輯思考歷程是最為關鍵,這個習慣雖無法用量化方式檢測出來,卻是能在未來職涯的旅途中,透過一次又一次的練習,持續進化問題答案的搜尋品質。一旦遇到實務問題,從失誤到搜尋資料、再到找到答案的邏輯歷程,就是凸顯自己與其他人不同的隱形力量,翻轉AI人工智慧的人才樣貌。

有鑑於此,闕博士勉勵所有大專校院學生,應多在大專校院的學習過程中,儲備六個成為AI人才的好習慣:

1. 打造斜槓競爭力
與其要求自己專心在單一領域,不如改變思維,先建立一組有核心優勢的專業,然後再以自己的核心優勢延伸到各種不同的領域,給自己更多換位思考的機會,使多元領域的知識能在原本的核心優勢上,帶出更多的延伸優勢。

2. 邏輯思考
邏輯思考對每個人的幫助是很大的,可以賦予我們直接面對到問題的本質,提高尋找答案的品質。

3. 找答案的能力
這項是台灣人才非常缺乏的能力,不喜歡自己去找答案,,太急著把答案硬塞入自己手上的問題,其實,以為有效率的外表下,失去的是激發想像力的深層問題。

4. 80分就要開始的勇氣?
台灣傳統的技術研發人員,很容易有非要做到100分才對外露面偏執傾向,然而這樣的偏執卻很可能遇到”其實使用者跟你想的不一樣”的窘境。同樣的議題,若是換成以色列的研發團隊,會在開發專案執行到80分時候,就放到市場上試煉的,無論正評或負評,都會回饋到產品最後一哩的研發流程,成為重要校正指標。這樣的模式,闕搏是稱它是一種:用失敗找答案的競爭力,能夠讓產品研發過程,更早一步取得使用者意見,共創實用價值!

5.團隊合作(teamwork)
若職涯發展越往硬體端靠近的話,你會發現AI晶片的世界裡團隊合作是無比的重要,往往一個開發專案,就必須和不同領域的資深工程師推展專案進程。然而,這樣的工作邏輯,是和台灣目前強調成績排名、把同儕當競爭對手的學習環境大相逕庭。以過去在AMD經驗,一個新開發專案上上下下,至少要經過五種工程師,包括:演算法設計工程師(Architecture Engineer)、RTL硬體設計工程師、整合工程師(Synthesis Engineer)、APR工程師完成之後,還需經驗證工程師(Verification Engineer)的再三修改、驗證,直到整個程式迴圈(loop)都不會出錯,才能交到產品工程師(Product Manager)與量測工程師的手上,與客戶進行功能校對。如果不及早習慣團隊合作的學習模式,熟悉高度跨領域的溝通氛圍,其實關起門來自己埋頭苦幹,不僅拖累了專案,也容易影響到外界對你工作能力的評價。

6.深化通識能力
 AI人工智慧是一場機器往生命演化的產業歷程,除了技術硬底子的學習之外,領導力、英語(之後還有第二外語)、藝術涵養、人文素養、推己及人的感受力,都將是在AI世代中,將超越科技融合人性根本需求的重要底蘊,雖隱藏在肉眼最難察覺之處,卻擁有極大的創新能量。

沒有留言:

張貼留言