📚#元照新書賞閱📚由法院判決看透政府採購契約——技術服務篇
【主 編】陳錦芳
【作 者】陳錦芳.陳高星.劉時宇.邱煌傑
【本書簡介】
政府採購法主管機關行政院公共工程委員會所訂定的採購契約範本,因為施行多年,不論是在公共工程或是民間的建案,都被廣泛的使用。作者之前已經以實際爭議案例中法院判決的角度出發,針對工程採購契約範本進行整理解析,現在再就設計監造專案管理等技術服務廠商的公共工程技術服務契約範本加以剖析。本書配合工程會所出版的「政府採購法使用手冊」一起閱讀,是對於工程相關法律議題有興趣的讀者、或是在履約爭議十字路口的機構法人,絕對不可錯過的一本實務工具書!
📖本書詳細介紹:http://www.angle.com.tw/Book.asp?BKID=12978
🗣️線上講座:http://www.angle.com.tw/media/GroupDetail.aspx?iMG=3342
🈵7月購書節,滿1500贈100,滿899免運:http://qr.angle.tw/ag1
📚「試」氣如紅˙「躍」進法研,滿額贈法研書籍一本:http://qr.angle.tw/svu
📚公職、警特書籍三本85折:http://qr.angle.tw/79x
📚比較法研究、滿2000贈500:http://qr.angle.tw/dww
📚#元照新書:http://qr.angle.tw/8ge
📢訂閱 #月旦雜誌,訂閱期間享〈元照讀書館〉實體講座免費參加資格:http://qr.angle.tw/gyj
📢#月旦知識庫 最新購點優惠:http://qr.angle.tw/dzl
※購買10,000元 →加贈新刊《月旦實務選評》一年份/12期
※購買5,000元 →加贈2000點
※購買3,000元 →加贈500點
📢加入 #月旦講座 會員,享知識庫3,000點及其他好禮。 詳情 http://qr.angle.tw/m7v
工程及技術服務採購實務 在 Facebook 的最讚貼文
日本政府提供124萬劑AZ疫苗 高雄透過視訊會議向日本防衛副大臣表達臺灣感謝
今天下午我代表市府與工務局局長蘇志勳、中華民國室內設計裝修商業同業公會全國聯合會榮譽理事長阮漢城、正修科技大學建築與室內設計系專任助理教授黃琳琳等人,經由日本一般社團法人大阪府建築士事務所協會居間牽線,與日本防衛副大臣中山泰秀先生視訊聯繫,對於日本政府提供臺灣124萬劑AZ疫苗的慷慨之舉,表達臺灣人民的由衷感謝。
「有緣千里來相會」,正如日本防衛副大臣中山泰秀先生在會議開始時所言,在COVID-19疫情的阻隔下,高雄依然能夠透過視訊會議的方式,緊密地與日本一般社團法人大阪府建築士事務所協會保持交流與合作,此次在日方的安排下,由我代表陳其邁市長,當面向日本防衛副大臣中山泰秀先生表達臺灣人民的感謝之情,也理解到臺日雙方在區域安全防衛上,本質上是命運共同體的相互依存關係,中山泰秀先生在視訊會議表示:日本充分瞭解到臺灣在疫苗採購上所面臨到的各種困境,因此,在官民一心的奔走下,決定即刻伸出援手,支持有如家人一般的臺灣度過困境;也憶起311東日本大震時,臺灣是國際社會中最早、也是最為堅定援助日本的盟友,「這個恩情是一輩子都不會忘記」。我聽到中山泰秀先生這麼說,心底泛起的是無盡感動。
我告訴中山泰秀先生,駐日大使謝長廷過去是高雄市長、也是我的老長官,此次承蒙謝大使的奔走努力,協同臺日間多方力量所促成的美事—臺日之間有著124萬劑AZ疫苗牽起的救命情誼,將是雙方堅定夥伴關係的踏實步履。
高雄自2013年初次與日本一般社團法人大阪府建築士事務所協會簽署MOU合作意向書以來,雙方經過多次的相互交流及參訪,陸續在2016年、2020年簽署MOU合作意向書,希望以大阪在零碳建築(ZEBs)與實驗建築的豐富經驗,與市府在綠建築、高雄厝等政策思維與實務推動,持續深化未來在太陽能、智慧綠建築、零碳建築等技術服務交流的合作共識。
過去高雄曾經得知大阪市極度缺乏醫療用品,在響應大阪市長的緊急呼籲,立即號召高雄市不動產開發商業同業公會、高雄市大高雄不動產開發商業同業公會、社團法人高雄市建築師公會以及高雄市景觀工程商業同業公會共同募集簡便雨衣與防護衣,透過大阪府建築士事務所協會轉交供大阪作為醫療使用,這是高雄義不容辭的舉措,也是出於臺日雙方、彼此互幫互助的情義,該協會後來也特地由日商安井設計股份有限公司台灣分公司總經理畑正俊先生向高雄致贈感謝狀,讓我們感動在心頭。
感謝一般社団法人大阪府建築士事務所協會的副會長、同時也是日本防衛副大臣中山 泰秀後援會的副會長樋上 雅博先生,促成本次視訊會議,我也代表陳其邁市長,表達促進雙方定期拜訪交流的期待,更邀請中山泰秀先生、一般社団法人大阪府建築士事務所協會會長戶田 和孝先生、協會副會長同時也是日本國土交通大臣的樋上雅博先生,以及曾獲日本天皇頒授終生貢獻獎「旭日雙光章」的協會顧問山本剛先生,待疫情結束後,能親自走訪高雄,實際感受臺灣的人情味。
工程及技術服務採購實務 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳解答
Google、軟銀都陣亡過!盤點 AI 專案失敗的 4 大原因
Posted on2021/02/04
若水AI Blog
【我們為什麼挑選這篇文章】為了適應未知多變的世界,許多企業搶做「數位轉型」,從公司營運的各層面如客戶體驗、商業模式、企業文化到作業流程等,透過科技的導入來提升效率與效能;而對製造業企業而言,原料採購、物流管理、庫存調配、生產、行銷等環節則是企業主進行數位轉型會優先考量的面向。
在這之中,AI 的運用扮演很關鍵的角色,如何將 AI 應用到上述各層面並實際執行,是許多企業面臨的挑戰,有哪些要點是執行 AI 專案時需特別留意的?(責任編輯:賴佩萱)
作者:若水 AI 資料資料處理部負責人 簡季婕
2020 年,突如其來的新冠肺炎疫情(Covid-19)改變了許多產業的命運,同時加速推促 AI 落地的速度,AI 人工智慧的應用將成為企業的新日常。
若水 AI 資料服務團隊本著為臺灣 AI 應用落地盡份心力的初衷,順著這波改變,推出全新系列內容:與機器學習(ML : Machine Learning)、AIOps 智慧運維(Artificial Intelligence for IT Operations)有關的實用文,分享各界專家在每一天如何持續營運、優化 AI 架構以及資料處理的基本功。
【若水導讀】AI 專案順利通關的三個絕招:
1. AI 資料來源要多元,避免學習偏誤
2. 標註前,請先建立客觀的 AI 資料標註(Data Annotation)原則
3. 讓 AI 人工智慧成為組織的共同語言,會更容易成功
企業都想做 AI,但實際上沒那麼簡單
根據《臺灣人工智慧學校 AI Academy Taiwan》2019 年針對臺灣各大產業 1,095 位業界校友的調查統計,成功導入 AI 人工智慧的臺灣企業僅占 20%。放眼國際,許多全球知名企業的 AI 專案也慘遭滑鐵盧:
Google 在泰國落地測試智慧醫療失敗,拖慢醫療流程;美國杜克大學發佈的 PULSE 演算法誤將歐巴馬的頭像還原為白人,引發種族歧視爭議。
在日本,軟銀(Softbank)社長孫正義原本打算以 AI 機器人取代銷售人員,沒想到 AI 機器人無法應付實際場域的複雜性,計畫負責人只好承認失敗:「我們把機器學習(Machine Learning)想得太簡單了」。
AI 專案難實際執行,問題出在哪?
若水經手過臺灣、日本超過 200 個的 AI 資料處理專案,從橫跨各大產業領域的專案經驗,整理出企業 AI 之所以無法順利落地的四大原因。
1. AI 模型訓練過程中沒有加入實際場域的資料
無論是剛導入 AI 而產生資料處理需求的新手企業,還是已有 AI 專案經驗、為了 retrain 模型再度找上若水的老手企業,都曾經在同一個地方卡關:AI 資料標註品質有做到位元,但 AI 模型卻無法應用落地 。
為什麼?
原因在於,客戶並未以「實際場景」的資料來進行 AI 模型訓練。
現在市面上有許多開放資料集(Open Dataset)或是免費的商用網路圖片,企業通常會優先使用這些免費資源進行 AI 資料標註(Data Annotation)讓機器學習,但是放到實際場域測試後,經常發現 AI 模型成效不佳,無法適用於實際場景,最終還是需要回過頭再進行第二次模型訓練(Model Training)。
因此 在 AI 專案開始前,建議企業首先需要在內部建立資料資料流(Data Pipeline),而在收集資料時,不只使用開放資料集(Open Dataset),也須確保有使用符合實際應用場景的資料來訓練 AI 模型,全盤考量資料類型、角度等多元性,避免機器學習偏誤 。
2. AI 資料標註原則定義不夠客觀
與企業工程師對接 AI 資料處理需求時,當我們詢問這批人臉辨識(Face Recognition)的 AI 資料標註的原則是什麼,常常會接到諸如此類的回答:「頭太小的話,就不要標註數據」。
一般人的邏輯覺得很合理的事情,對於機器學習(Machine Learning)來說卻是一大挑戰。 機器學習需要知道的是趨近「絕對客觀」的原則 ,例如,所謂的頭太大、太小,換算成具體數值會是幾乘幾大小的 pixel?如果圖片背景融色或模糊,也需要標註起來嗎?
一旦 AI 資料標註原則不夠客觀,AI 模型很容易隨著人的「主觀認定」來學習,當專案換了一位工程師,機器學習出來的效果可能也會跟著變 。在我們的經驗,原則的訂定最好透過「對話」,藉由反覆詰問,才能加快釐清目標。有了歸納、定義出客觀的 AI 資料標註原則。就會加快模型學習(Model Learning)成效。
為了清楚定義圖片融色或模糊的問題,我們採用國際照明委員會(International Commission on Illumination)訂定的 Delta E 標準,和影像(圖像)品質評估標準 BRISQUE,和客戶確認彼此認知是否一致。
根據國際標準,人的肉眼能分辨得出來的色差,至少會在 Delta E 值 2 以上。所以,當一張影像測出來 Delta E 值小於 2,就表示這張圖的融色程度太高,無法標註。
假如客戶希望「太模糊的圖片不要標註」,團隊也會根據 BRISQUE(影像品質評估標準)的標準,輸出不同模糊指數的圖片,請客戶確認所謂的模糊,具體來說是 70% 還是 80%。
3. AI 模型訓練(Model Training)沒有循序漸進
以肢體行為辨識(Posture Estimation)為例,Coco Dataset 從一開始只辨識人體 7 大主要關鍵點(Key Point),後來逐步發展成 25 點,甚至快 40 點,有些客戶會希望若水 AI 團隊可以一次就標註 40 個關鍵點,直接拿去機器學習(Machine Learning)。
說起來,機器學習和教小孩很像,一下子給太多的特徵點(Feature Points)反而會「揠苗助長」,導致 AI 模型學到最後分不清楚自己到底在學習什麼。我們也遇過有些客戶,一開始想用難度較高的 Segmentation 方式讓模型學習人的行為,但是人的行為百百種、語意切割(Segmentation)的變異度也高,就比較難學得好。
當這些客戶再回頭來找若水,通常會比較循序漸進,從小地方開始逐步改進 AI 模型。
4. 缺乏管理層的理解與支持
AI 熱潮讓許多企業趨之若鶩,然而 AI 要能夠順利落地,除了上述三項實務建議,企業管理層對於 AI 的認知和支持更是一大關鍵。
許多臺灣企業的 AI 數位轉型主導者,可能是傳統公司裡面有豐富資歷的 CTO 技術長或管理階層,對於 AI 人工智慧這個全新領域的概念,比較缺乏深度的理解,也沒有類似 AI 模型訓練和測試的相關經驗,從上述 4 個原因去追尋難以落地的根源,或許能有所助益。
資料來源:https://buzzorange.com/techorange/2021/02/04/ai-project-difficulties/?fbclid=IwAR04ZC1-1MquyCObEI5HIfTKtV-OkcfxL_R8vRin4YgQMl8cnhS_6aM59vU
工程及技術服務採購實務 在 【專言媒體】採購各階段作業流程及工程採購常見爭議處理實務 ... 的推薦與評價

採購 各階段作業流程及 工程採購 常見爭議處理 實務 解析#1壹、前言、勞務、 工程 、財物 採購 定義 ... 材料 技術 規格及同等品應如何訂定,才不會綁標及履約爭議? ... <看更多>
工程及技術服務採購實務 在 【專言媒體】採購各階段作業流程及工程採購常見 ... - YouTube 的推薦與評價
政府 採購 是國家建設火車頭,不僅是政府的事、更需全民一起參與。政府 採購 人員從招標到決標,再從決標訂約到履約完成驗收,歷經各階段冗長與繁瑣作業, ... ... <看更多>