【2023 應用心理學與實務研討會】AI 都不 AI 了 - 由 AI 生成到 AI 思維－資料科學家玩 AIGC（謝宗震）

-

資料科學家玩 AIGC（謝宗震－CHIMES AI 執行長）

是清大校友！看起來是個非常浪漫的人（推動新趨勢的人我一概歸類到浪漫的人），本日目標跟大家分享在 AI 浪潮中，要如何對焦自己的心態與目光，因應整體的趨勢。

當 AI 門檻降低時，Chimes AI 思考自己要做什麼？他們給自己的目標是「平民化 AI，像用電依樣自然」。

首先，討論到資料科學家的工作日常（後來發現這是小彩蛋，這段是 ChatGPT 生成的）：

  1. User Case
  2. Data Collection
  3. Data Extraction
  4. Model Building
  5. Model Evaluation
  6. Model Packaging（封裝模型，把 AI 的應用讓大家看的到或是周知大眾）
  7. Prediction API
  8. Predictive Dashboard

Data Collection and Cleaning 

  1. Acquiring Data - Find and gather the relevant data from various sources, including public databases and private records.
  2. Exploratory Data Analysis 
    • Regression Analysis
    • Time Series Analysis
    • Hypothesis Testing (Formulate hypotheses and use statistical tests to evaluate their validity(
    • Classification (Predict categorical outcomes based on input variables.)
  3. Data Preprocessing 
  4. Feature Engineering

Machine Learning and Deep Learning 

  • Machine Learning
  • Deep Learning 
  • Artificial Intelligence

Data Visualization and Reporting

  • Data Reporting 
  • Data Visualization
  • Dashboards and Interactive Visualizations 

透過資料分析產出的結果，需要透過資料視覺化，轉出感動人心或影響產品策略的 insight。是資料應用的最末端產出。

Teamwork and Communication 資料科學家需要跨領域跟各專業的人合作

  • Collaboration
  • Communication
  • Mentoring

所有的 AI 模型，都會有失準、老化的一天。例如，所有的 AI 都沒有預測到 COVID-19 的出現，和對整體世代的影響。

AI 模型的修正其實並不快。

而因為這個漫長的流程，

AI Solution pipeline is long. Domain collaboration is essential, but it has been hard. 

- 孔祥重（中央研究院院士、哈佛大學比爾蓋茲講座教授）

傳統 AI 項目發展 code heavy 流程漫長，組織缺乏資料科學家橫跨領域介入溝通應用。

Tukey 人工智慧建模與智慧管理平台 - 把資料科學家消滅，讓使用者在各 domain 輕易導入 AI 模型。

生成式 AI 的影響

謝宗震以電力產業的應用做 ChatGPT 測試 demo：

  • Prompt: 作為一名〔電力公司〕的〔太陽光電處長〕，同時也是資深的資料科學家，想要進行〔太陽能發電量預測〕，請告訴我這個分析具體的輸入變數與輸出變數。

這部分可以替代資料科學家的「資料盤點」工作。可以輕易調整應用、Input、Output 的 Prompt 來取得分析方向，過往需要大量溝通與時間才能完成的 domain knowledge 建置，現今可以透過生成式 AI 來快速取得結果。

資料模擬生成

  • Prompt: 作為一名〔電力公司〕的〔太陽光電處長〕，同時也是資深的資料科學家，想要進行〔太陽能發電量預測〕，請告訴我這個分析具體的輸入變數與輸出變數，並以表格呈現。

資料建模

  • Prompt: 你現在是一個專業的資料科學家，請進行太陽能拉電量預測，組織以下 2022/1/1~2022/2/28 的資料並建置成模型，同時請使用 XX 模型驗證。
  • Prompt: 基於上述建立的 'model'，請根據以下測試資料集，進行模型試算，結果以表格呈現。

模型解釋

  • Prompt: 你現在是資深的資料科學家，也是上述太陽能發電預測模型 'model' 的建置者，請協助我解釋以下預測結果，應包含輸入變數對於輸出變數的影響。

模型匯出

  • Prompt: 請簡介 PMML (Predivtive Model Markup Language)
  • Prompt: 請將上述 'model' 轉換成 PMML 格式匯出
  • Prompt: 請將 model pmml 轉成 XML 格式匯出

模型應用－太陽能發電量計算機 App 的實現

ChatGPT 的使用與侷限 

  • ChatGPT 只能提供通用的應用場景，特定的議題需要使用者逐步提問。
  • 資料模擬－同樣的 prompt, 每次結果會因為 radomness 隨機性變異導致每次結果都不一致 → 可以指定欄位名稱再要求生成模擬數據
  • 模型預測－同樣的 prompt, 每次結果會不一致！（預測結果其實是假的）
  • 模型輸出－用 prompt 輸出的 model 每次結果也都不一樣
  • 模型應用－用 prompt 給的程式其實不能跑，會有 bug，修正建議也有誤（非 domain 專家很難 debug，不如自己寫，）

ChatGPT 使用說明

  • 回答未必是正確的（一本正經地胡說八道）
  • 回答未必是一致的（每次回答都不盡相同 temperature 0.1）
  • 回答未必是真實的（幻境編譯器）
  • 指定角色設定專業程度
  • 逐步溝通提供範例（根據 XXX 資料庫生成分析，並以 CSV 格式呈現）
  • 使用分隔符號

見山是山，見山不是山，見山還是山。

資料科學家可以將 ChatGPT 作為靈感觸發，讓工作完成的更有意思。

附上 CHIMES AI 的 AI 產品試用申請 URL，大家可以試試看。

Comments

Post a Comment

Popular posts from this blog

ProductTank Taipei #12 - 大型組織的產品管理與協作

-
Image
難得提早到現場，開了電腦正在準備，突然發現 Peter 正在遠端連線，抓圖時才發現，原來人在荷蘭的 Peter 今天是遠端分享，算是很特別的經驗。 Celine 「裸辭」上一份工作後，輾轉到了中國的攜程工作。直接破題的 Celine 以攜程旅遊網的首頁為例，告知頁面信息的排序，事實上並不只是考慮使用者的閱讀習慣與興趣，而是依據組織內部的角力，哪個組織收付的佣金夠多，排序就會提前，例如：酒店、機票、旅遊等區塊，就會有所上下排序調整。 Celine 的工作是後端的靜態信息組。攜程分為垂直式、水平式分工，垂直式分工意指從後端信息整合、API 接口到前台的 App UI 呈現和實作，水平式分工則指當重要功能需要整合時，便需要拉出平行橫跨並進的規劃作法。 在大公司工作讓 Celine 覺得任務非常複雜，例如做「需求調研」時，若功能橫跨各信息組或功能組，則一個需求便是牽一髮動全身，需要橫跨各組做繁複的溝通，甚至要召開【需求澄清會】，遭受各組的炮轟，最後再回去重寫。 若想要做一個扁平的東西，仍然需要跟開發努力爭取資源，並跟各部門 PK 優先，甚至談好資源之後，若開發部門有緊急事件，仍會不告知值接插隊延後需求實作，而為了功能，測試資源也是稀缺資源要透過血淋淋的爭取。 很多事情即使講很多次，還是會有人聽不懂！ Celine 分享開發產品時的四個主要步驟： 需求調研 需求評審 開發測試 優化迭代 理想的狀況是這樣的： 需求調研 - 開發、內部/外部訪談、PRD 撰寫 需求評審 - 內部評審、外部評審 開發測試 - 敏捷開發、測試 優化迭代 - 投訴處理、收集需求 現實中是這樣： 需求調研 - 查出接口的所有調用方、調研開發可行性、召開 N 遍 需求澄清會、梳理業務流程 需求評審 - 到 N 個部門講 N 遍 需求、跟各部門 PK 優先級、預先爭取測試資源 開發測試 - 講 N 遍 需求、確認開發負責人、開發功能微調、跨部門溝通 優化迭代 - 跨部門講 N 遍 需求、修 bug、運營流程優化、用戶反饋整理 Celine 接著分享攜程內部常用的操作方式： 盡量找到大部分的調用方（stakeholder） 項目管理工具（JIRA-cp4 + Teambetion, Lengoo, etc.） 但其實
Read more

【2023 應用心理學與實務研討會】AI 都不 AI 了 - 由 AI 生成到 AI 思維－生成藝術的創意空間（李怡志）

-
生成藝術的創意空間（李怡志－政治大學新聞學系助理教授）   Generative Art 生成藝術是什麼？這是一個已經存在很久的概念，從 1963 年就有人做圖像，在討論生成藝術時，需要先討論人類在生成藝術的時候的思考方式： Precise Aesthetics Process by Designers →  Ideation / Execution / Appreciation 三者很靠近且重疊 但若是 Precise Aesthetics Process by Non-Designers →  Ideation, Execution, Appreciation 三者是獨立的 生成圖像的特性，Randomness, Unpreditorable 是重點。目前產出的作品，有幾種對人類可分類的價值類型：Self-expression, Serendipity (偶遇) , Surprise（可以激發人類的想像力）, Evolutional（對 prompt 的指令是逐漸逼近）。 Ways of Seeing - AI  生成圖像的背後也是大型模型，要看 meta-data 是如何整合。AI 對文字的理解有非常多面，我們需要知道如何運作，才知道如何下指令。可以嘗試搭配 ChatGPT 產出的 prompt 再倒給 Midjourney 繪圖，可以完全 break normal rules，做出架空的東西。 Non-Generative Process 是從開放到收斂的模型，當 Concept Sketch 定義好，路徑就會瞬間收斂。 (News) Infographics Project Procedure: Prepare > Investigation > Design > Final Work 人類傳統的 Level of Sketches: Research (What to Sketches) Information Elements Concept Sketch Layout Sketch Real Size Sketch Final Work  人類傳統在進行設計，從草稿到完稿的距離非常的接近。 AI Generative Process （李怡志總結） Variate (小的變異) Randomize (寫了 prompt 後會出現一些
Read more

【2023 應用心理學與實務研討會】AI 都不 AI 了 - 由 AI 生成到 AI 思維－ChatGPT 的解析與挑戰（陳縕儂）

-
ChatGPT 的解析與挑戰（陳縕儂－台灣大學資訊工程學系副教授） 陳縕儂用了一張 Midjourney 的生成圖做為開場，形塑出一位潮流女孩的工作環境，除了自己的電腦和周邊鍵盤外，螢幕上投映著「ChatGPT」的大字，試圖描繪出未來大家的工作想像圖 - 除了自己的工作內容之外，ChatGPT 可能常伴左右在協助各種任務。 AI & ML 首先定義 AI 這個字，我們現在看到的生成式 AI，是偏向 Synthesizing 的類型。而達成 AI 的方法有很多種，Machine learning (ML) 就是其中一種手段，並非所有的 AI 都需要應用 Machine learning，只是近期最熱門的 AI 是透過 ML 達成的 AI。 大家最常看到的 LINE 聊天機器人，其實內部沒有什麼 ML，只是確實是有很多模組的 AI。 Machine Learning 的訓練，陳縕儂用了一些例子：Looking for a Function      Task: predicting positive or negative given a product review 套用一些規則，讓機器自己去學習，把「輸入」變成「輸出」，Given a large amount of data, the machine learns what to output (後半句沒看清楚)。 「在訓練機器學習之前，首先需要有人工學習（工人智慧）」，需要提供非常大量的資料和資訊才能讓機器去運算出預期中的輸出 f(x)。 人類的學習能力金字塔，知識建構，是從低階知識到高階知識（請想像底下是一個金字塔，有底層的 Low-order thinking skills 到高階的知識） Learning Pyramid (Bloom's Taxonomy, 2001) Create (Use information to create some thing new) Evaluate (Examine information and make judgments) Analyze (Take apart the known and identify relationships) Apply (Use information in a new but similiar situation)
Read more