Search
莫德納（Moderna）在研發mRNA疫苗時，需要進行大量的基因配對以加速疫苗開發，而與AWS合作，第一批樣品製造在42天內就完成！AZ疫苗（AstraZeneca）也與AWS合作，希望縮短開發過程，利用Amazon SageMaker Ground Truth平台，加速從資料貼標籤、到演算法訓練與回饋修正，減少疫苗開發時間達50%，一天可以做到510億 次基因配對測試，大幅加速資料處理過程。看全文：https://go.aws/3xPIDGV
你的企業也想透過 AWS 加速轉型、開發流程？歡迎探索：https://go.aws/3iywy2w
醫療健康是現階段AI绝佳的應用場景
今年開始我分享比較多醫療相關的文章，特別最近台灣疫情仍在緊繃狀態，分享這篇我談 AI 在醫療健康領域能創造哪些價值，提供大家參考。
最近，我出席了第五屆醫療健康產業投資50人的「H50年度峰會」，就「人工智能醫療醫藥領域的應用機遇與挑戰」進行一場主題演講。我認為，傳統產業「＋AI」的時代已經到來，AI將像電一樣穿透各行各業為其降本提效，創造巨大的經濟價值。醫療健康是現階段AI絕佳的應用場景。創新工場將結合自身TECH VC基因，以醫療市場化、數字化及AI應用等方向為切入口，一起探索發掘醫療產業重塑的機會。
以下是來自峰會的現場報導，文章經21世紀經濟報導授權轉載。
「多年前，如果你問我人工智能最好的應用會是什麼，我可能在不同的時期會說是語音識別或者計算機視覺、自動駕駛、金融領域。但今天如果你問我這個問題，我覺得人工智能最好的應用場景，毫無疑問是醫療的場景。」李開復說。
也正因如此，創新工場在兩年多前設立了醫療投資團隊。這個團隊從2019年起以醫療市場化、數字化及AI應用等方向為切入口，目前已經投資了鎂信健康、艾登科技、英矽智能、沃比醫療、予果生物等20多個項目，涵蓋了數據AI、服務、器械、生物製藥等多個領域。
「隨著團隊的擴張，現在醫療投資團隊已經比人工智能團隊還要大了。創新工場將按照原有Tech VC 基因結合度，搭建醫療生物領域專業化團隊，接下來的1到2年，醫療技術領域的投資將是我們的重中之重，我們會把火力集中在IVD（In Vitro Diagnositcs）體外檢測和高值耗材兩個大賽道。」李開復說。
本次分享中，李開復談到人工智能發展的現狀、深度學習的要點及相關要求，同時，重點給大家分享了AI在病理分析、藥物研發、大數據、以及其他特定領域與場景的應用場景，並結合創新工場在醫療AI投資方面的實踐，給參會嘉賓提供了相關建議。
▎AI賦能傳統行業的時代已經到來
李開復認為，現階段能夠做AI的科學家和工程師數以百萬計，AI技術已經普及化。在過去的人工智能1.0時代，大家把AI當「黑科技」，可能最開始並不知道技術具體能創造什麼價值，就先投資進去公司，再幫牠找應用。
但現在情況已經發生改變，AI賦能傳統產業的時代到來，這裡所謂的「傳統行業」並不是說真的很傳統，而是指任何沒有AI的行業，其中也包括醫療產業。
人工智能發展到今天已有60多年歷史，李開復認為其中最重要的成果是深度學習技術的發明。對此，他總結出了深度學習最重要的四個特點。首先，深度學習能夠針對一個目標函數優化到最佳，如識別腫瘤的正確率；其次，數據量越多，結果越好；第三，千人千面，運營在醫療領域可以根據不同患者的家庭背景、基因等信息精準醫療；第四，文字、圖像、視頻等不同數據都可以作為深度學習的內容。這是此前人工智能算法做不到的，因而近年來深度學習取得了很多突破。
李開復也指出了深度學習需要滿足的五點要求：
第一，需要海量的數據；
第二，數據不能是網上爬來的，而是客觀、精準、自動地標註或打好標籤；
第三，只能在單一領域內工作；
第四，需要比較大的計算力；
第五，需要一些AI專家的參與。 AI擅長運用海量數據針對目標函數進行優化，但無法取代人抽象、分析、嘗試的能力和創造力。
至於AI是否適合用在醫療領域，李開復認為，當下醫療領域正在開始產生海量的數據。可穿戴設備、新的醫療方法、基因排序等都提供了多樣化的數據來源，他對AI+醫療的未來有非常大的信心。
但同時他也提到，AI+醫療在當前的發展過程中遇到了一些問題。首先，AI不擅長做「全科大夫」，只能解決某一特定領域的問題，不可過份神話這一技術。其次，傳統醫療需要的是小而精的數據，而AI對數據的要求是海量、結構化、精準化、閉環，因而現成的數據無法完全滿足AI的需求。
此外，李開復指出，醫療是非常神聖的，關乎人的生命與健康，與金融領域、互聯網領域不同。AI+醫療特別要尊重客戶和他們的服務或產品引進方式，而不是盲目教育市場。很多AI科學家創業會把醫療領域想得過於簡單，而李開復建議創業者需要用更嚴謹的方法適應醫院的採購流程，讓醫院現有的負責人意識到AI技術是在幫助他們，而非取代他們。
▎AI+醫療的細分落地場景
李開復認為，目前AI+醫療在一些細分領域有很多具體的落地場景。第一，病理方面有特別巨大的需求。每年會有成千上萬的病理樣本產生，而註冊的病理醫生缺口則很大。在這方面AI雖然不能做最終判斷，但可以幫助更好的篩選，提供更好的建議。
第二是藥物研發方面，最近國際上已經有了一些成果，如美國一家公司做的蛋白質折疊，以及創新工場所投資的 Insilico Medicine英矽智能，已經開始用AI技術幫助科學家發現新藥。 AI技術的加入可以幫助節約90%的新藥研發時間，對未來製藥行業會帶來很大的顛覆。
第三是大數據與AI的結合，近年來有各種新數據產生，如基因、轉錄、蛋白、代謝等等，都可以用來做新的分析，創作更多新的應用和價值，針對每個患者背景做出更精準的診斷。
此外，李開復還提到在骨科手術、神經介入、種植牙等領域，AI都可以創造價值。
AI+醫療是創新工作的醫療團隊所關注的方向之一。創新工場借助自身的AI工程院以及在AI、醫療領域的深入研究，擁有較為豐富的專業知識。李開復認為，做AI最重要的是有海量數據，創新工場會關注真正數據源頭的掌握者，獲得脫敏數據後再思考如何激活，如何做出新的產品，產生更大的價值。此外，團隊也願意接觸一些產業投資人和產業公司，因為這些人更懂醫療的具體流程，大家的合作將產生價值。
Netflix的「AI顧客科學」
2021-03-04 14:33 聯合新聞網 / 能力雜誌
【文／廖志德 圖片提供／達志影像】
直接與消費者進行互動是企業的重要工作，唯有如此，我們才能深入理解顧客的需求、渴望、不安、疑慮與痛苦，並且從中尋求開發新產品及新服務的正確切入點，進而提昇顧客整體的消費體驗。因此，「直面顧客」是品牌創新的關鍵要點，絕對不能假手他人，一定要親力親為才能挖掘出隱藏於市場深處的成功祕笈。
過去，想要直接與顧客進行溝通與互動相對困難，企業不可能一一拜會或致電顧客，因為需要動員的人力及成本太高，往往只能退而求其次，採取間接的方式來與消費者進行互動。或是經由代理商、經營商、零售通路來負責銷售服務；或是由外包客服中心幫忙接聽顧客來電；又或者採取抽樣市場調查來理解顧客的基本圖像，這使得企業洞察顧客需求宛如瞎子摸象，往往只能知道市場部分的情況，不能全盤且深入的掌握市場全貌。
現在，隨著數位科技的快速推進，企業擁有越來越多元的訊息溝通管道與消費者直接互動，加上人工智慧(Artificial Intelligence, AI)從旁協助，市場的顧客圖像變得越來越清晰，越來越可視化，消費者的行為模式不再撲朔迷離且難以掌握。
根據微軟預測，到了2025年將有95％的顧客互動管道是通過AI來完成，如果預測成真，表示企業對於消費者旅程的理解能力將大幅度增強，無論是在搜尋、方案、選擇、下單、取貨、服務、維修、客訴的階段，顧客圖像都能夠取得更高的解析度，經營市場不用像過去一樣，在迷霧當中踽步前行。
市場藝術家vs.科學家
擁有清晰的顧客圖像，能幫助企業規劃出更加貼心的消費者旅程，屆時經理人評估經營績效時，不會再局限於單一層面，例如：訂單轉換率，而是可以更加細緻地從不同的角度與階段來剖析消費者的行為偏好。過去由於市場資訊嚴重不足，企業只能從銷售數字來評量市場成果，或者憑藉行業經驗與直覺來預估消費者的行為動向；現在由於人們對於數位科技的廣泛運用，使得企業更容易掌握顧客在實體與虛擬世界的數位足跡，無論是在實體商店、網站、APP、LINE、Facebook、Instagram、Youtube等線上線下互動點，我們都可以取得比過去更多元的消費數據。消費者瀏覽過那些商品資訊？關注的要點是什麼？考察過哪些「關鍵意見領袖」(Key Opinion Leader, KOL)的看法？分享的使用體驗是正面還是負面？是否進行重複採購？
實測驗證需求
唯有「直面顧客」才能了解顧客，然後做出正確的服務體驗設計。啟動永無止境的追蹤使用者的偏好與習慣，並且經由實地測試來驗證顧客洞察的結果，是影音串流龍頭Netflix能夠在市場異軍突起的關鍵要素。正確使用數位科技使得Netflix在殺成一片紅海的影音市場開創出新藍海，這是Netflix創辦人哈斯廷斯(Reed Hastings)刻意培養出來的企業傳承。如果說賈伯斯(Steve Jobs)是「市場藝術家」，那麼哈斯廷斯就是「市場科學家」。賈伯斯所帶領的Apple基本上不做市場調查與分析，而是著重於創建起獨特的美學風格及培養敏銳的顧客感知能力；哈斯廷斯認為自己並不具備與賈伯斯同等的市場洞察力，因此，在其掌舵下的Netflix另闢「顧客科學」(Consumer Science)的新航向以抵達賈伯斯的美麗境界。
同樣是「直面顧客」，Apple與Netflix的做法南轅北轍，不過條條道路通羅馬，只要能夠取得顧客歡心就是正確的道路，並沒有優劣之分，就像我們無法比較莫札特(Wolfgang Amadeus Mozart)與貝多芬(Ludwig Van Beethoven)的好壞；無法論斷李白與杜甫的高低，重點是找到適合自己的成長路徑，感性成分比較多的經理人可以考慮培養賈伯斯般的直覺感知；如果思維模式偏向於邏輯與數理思考，哈斯廷斯就是最佳的學習典範。學習不是全然的模仿，而是啟發自己內在本來就具備的潛能，至於採取何種直面顧客的演化路徑，最終還是要經營者不斷的在現場探索才能進行實證。
相對而言，賈伯斯的做法是比較難模仿的，除了認真、用心、努力外，多少要具備某種與生俱來的天賦。因此，我們鼓勵大部分的經理人採取類似Netflix「顧客科學」的做法來設計服務體驗，畢竟不需要感性天賦的標準作業流程比較容易學習、理解與模仿，包含蒐集資訊、形成假設、定性定量、市場調查、A／B測試等階段的「顧客科學」方法是有一定的邏輯可以掌握，可以不斷的進行複製並且形成相同結果，想要效法賈伯斯以心印心的感性思維模式，恐怕要有相當高的悟性，沒有一定的感性天賦很難求成。
迷戀顧客的5種途徑
哈斯廷斯希望Netflix的產品經理能夠建立起大量實驗的組織文化，進而發展出令人驚嘆的顧客洞察力，從Netflix不斷的推進A／B測試就可以看出端倪。Netflix的產品團隊會由不同的市場定位與品牌展現方式發展出不同的行銷方案，並且每2個星期就要針對非會員拜訪的網頁進行A／B測試，借助消費者進行評價與判斷的反覆驗證，Netflix設法調整出有效的內容呈現方式，前Netflix產品副總裁吉布森(Gibson Biddle)表示，Netflix希望藉此持續不斷的提昇以下2項衡量指標：
1. 試用比率
非會員網頁的訪客中，約有2％選擇免費試用Netflix。
2. 付費轉換率
當免費試用結束，約有90％顧客會轉變成Netflix付費會員。
對於Netflix而言，提昇試用及轉換比率的做法不能僅止於「聚焦顧客」(Customer Focus)，而是要發展到「迷戀顧客」(Customer Obsession)的更高經營標準，此時落實策略佈局的重點不單是傾聽顧客怎麼說，不再是停滯於顧客現在的渴望與需求，不再是只追求顧客滿意。吉布森表示，「迷戀顧客」是要善用「組合式的研究技巧」(Mix of Research Techniques)，將顧客安放在你做的每一件事情上，並且開始透過顧客的視角來看產品。吉布森發現利用科學方法來形成及測試假設，正是建立「迷戀顧客」文化的最佳途徑，這項努力使得Netflix在取悅顧客的做法上很難被競爭者複製。想要發展出「迷戀顧客」的組織文化，企業可以參酌吉布森所提出的建議，採用5種不同的途徑來超越過去聚焦於顧客的做法：
1. 經由顧客科學的方法來進行測試與學習
2. 創造並落實非預期以及未來的市場需求
3. 追求長期的顧客喜悅
4. 成為新領域的先鋒以減少競爭
5. 顧客喜悅為先，確保難以複製，較高利潤就會來
這5個直面顧客的原則表面上很容易懂，不過要正確的執行並不簡單，因為有太多的主觀意識在影響經理人的判斷，Netflix的高層就曾經犯下這樣的思維錯誤。回顧2004年之際，Netflix在哈斯廷斯強力的支持下，推出Friends功能，Netflix的開發團隊堅信使用者必定樂於接受朋友的建議，而隨著使用這項功能的人越來越多，所形成的網絡效應就越強大。假設前提是藉由提昇顧客的好友推薦率，Netflix可以有效的降低行銷成本，取得穩固的市場口碑，建立起難以複製的品牌定位。
6年的失敗教訓
然而，事與願違，事後證明Netflix高層想當然耳的直覺判斷是錯誤的，其實該公司最終的績效目標是提昇「顧客留存率」，而好友推薦率似乎是最好的先行指標。當顧客將產品及服務至少推薦給1位好友的比率越高，應該「顧客留存率」就越高吧？這個命題並沒有經過測試證明是正確的，但是在眾人樂觀的想像之下，使得Friends社群開發專案得到長期的投資與支持，長達6年的時間裡，Netflix的高層都以為社群策略是相當值得投入的關鍵項目，絕對不能半途而廢，他們堅信只要下定決心就能做出成績來，更何況該公司已經在社群專案投資這麼多的時間與資金，加上沒有人願意將創始人充滿熱情的提案扼殺於搖籃之中，於是Friends這個專案就這麼堅持許久。
直到2010年，Netflix高層才痛下決心關閉這項功能，開發團隊終於意識到想要透過好友推薦來提高「顧客留存率」並沒有想像中容易，根據推算至少要達到20％的好友推薦率才有可能實現。但Friends上線的初期只達到2％推薦率，再經過4年的努力也不過達到8％而已，離理想目標可說是遙遙無期。如果Netflix早些採用顧客科學的驗證方法來評估Friends的市場價值，或許可以有效排除直覺的偏見，訂定類似迷戀顧客的5種途徑不會太難，但是要落實原則往往會遭到人性謬誤的干擾。
經營企業要完全不犯錯很難，關鍵是要建立起自我校正的管理機制，而直面顧客正是幫助我們不斷調整市場策略的最佳驗證途徑，Netflix在好友推薦上面的努力並沒有完全白費，最終證實使用者對於分享電影並沒有想像中熱切，況且有時候他們不過是根據自己的偏好來進行推薦，結果親友反過頭來吐槽使用者的品味太差，這一點恐怕是Friends開發團隊事前無法察覺的情境。同時，正因為如此，使得許多人並不太願意全然公開自己收視的影片。犯錯不一定是壞事，失敗是學習必然的過程，有助於我們察覺潛藏於市場深處的商業祕密，沒有Friends專案，誰知道朋友會吐槽我們自己呢？
AI顧客科學
經營過程中的失敗是常態，通常只要大方向是正確的，並不會影響企業在市場上的藍海佈局。多年來Netflix運用「顧客科學」針對直面顧客的行銷方案進行測試，充分發揮去蕪存菁的功能，有助於積極推升Netflix的品牌形象及產品開發的成效，該公司的影音串流服務因而獲得無數消費者的選擇與青睞。此外，近年因為新冠肺炎(COVID-19)肆虐，導致許多人寧願待在家裡觀看影集打發時間，Netflix的影音服務平台因此成為市場最佳的選擇方案，光是2020年的第1季，Netflix就增加了1,600萬名顧客，使得該公司全球使用者增加到1.8億名，更有效將Netflix的股價一舉推上492美元的歷史新高峰。
談完失敗個案，讓我們來談談Netflix的成功故事，除吉布森所強調的「消費者試用率」及「付費轉換率」，如果再加上前文提及的「顧客留存率」，這3大績效衡量指標可說是Netflix最重視的市場經營指導方針，其中又以「顧客留存率」最為多數公司所經常採用，由於Netflix採取的是按月扣款的訂閱模式，如果訂戶對於平台所提供的服務感到不滿意就很容易退訂，因此，如何避免顧客流失就成為Netflix經營的關鍵要務，其實最簡單易懂的做法就是讓使用者永遠有好戲可看，保持每天追劇的良好習慣，然而說來容易，做起來可是困難重重。
Netflix運用的是大數據追蹤術，每當用戶進入Netflix的影音平台，他的一舉一動就被「顧客科學」完全掌握，無論是活動時段、搜尋電影、觀賞類型、收看清單、中斷收看、觀賞時長、演員喜好、內容評論等都將會列入追蹤，種種數據經過AI演算法處理之後，Netflix就會自動生成推薦內容，就算是推薦同一部電影給不同的人，電影選單所展現的演員介紹海報也是擁有個別化差異的。其實Netflix的底層基因和Google很類似，2家公司主要目的都是讓顧客很容易找到自己想看的內容，當然最好是能達到完全不用找，想要看的內容就能自動上門來的境界。
根據使用者的數位旅程來分析顧客的行為偏好是目前的顯學，有助於企業創造個人化的貼心服務體驗，而且隨著AI工具的越來越平民化，顧客科學不再是Amazon、Google、Netflix這樣的大公司才能實踐的商業模式，未來有一天，就算是最不起眼的小公司也能操作同樣的工具。不過或許Netflix提出的「迷戀顧客」的5大途徑才是策略求勝的最終決戰點，畢竟取悅顧客才是最高指導原則，顧客科學則是強大的管理工具，誰是主，誰是從，我們應該分辨清楚才成。
資料來源：https://udn.com/news/story/6868/5294010?from=udn-relatednews_ch1015
基因演算法 (GA) 的架構一開始是由John Holland 教授於1975年所提出，該演算法的主要靈感來自於生物圈 ... 下圖為GA的流程圖(flow chart)，接著將會對每個步驟進行說明 ... ... <看更多>
《具有彈性裝配機台及整備時間之分派排列式流程型工廠排程》哪裡下載？該論文是許仁修於107年畢業於國立臺北科技大學工業工... 《 考慮 ... ... <看更多>
基因演算法流程 在 [Algorithm]基因演算法Genetic Algorithm 的推薦與評價
演算法流程 圖 · 一開始隨機產生n個變數(n由使用者決定) · 利用適應函數（fitness function）計算所有變數的適應值 · 依每個的適應值進行「選擇、複製」 · 對留 ... ... <看更多>