圖片來源 : Thomas Meier from Pixabay

【科技新聞洞察】科技與人權之間的拔河,你打算參與什麼樣的未來?

文/ 若水 Flow AI Blog 編輯團隊

影片來源 : MaRS Discovery District Youtube

【流行病預測,新創為何比Google強?

如果你是關心AI產業動的人,最近,一定常常看到加拿大新創公司Blue Dot的新聞。他們一戰成名,早在去年12月31日就已發布武漢肺炎警告,這比WHO、美國疾病預防中心還快了6~9天。

講到流行病預測,Google做的比Blue Dot還早。2008年,Google就已推出一個預測流感流行趨勢的系統——Google Flu Trends (GTF),而且還曾經神準預測H1N1在美國爆發的範圍。

只是,2015年8月,Google停止發布GTF的估算值。這是一個在數據應用上很經典的案例:為什麼題目對、速度快,又有龐大資源支撐的專案最終失敗收場?

虎嗅網上 這篇文章,作者歸因三點:大數據傲慢、搜索引擎演化及相關而非因果,造成Google Flu Trends後續預測失靈。

例如,工程師並不清楚搜索「關鍵字」和「流感」之間到底有什麼因果聯繫,而只關注數據的統計學特徵。以「流感」這個關鍵字為例,當搜尋量急漲,可能是因為推出一部「流感」為主的電影或歌曲,並不一定意味著流感真的在爆發。


圖片來源 : European Commission

歐盟AI白皮書:避免偏見、詳細記錄、主動告知

繼被喻為「史上最嚴個資法」GDPR問世後,歐盟最新AI白皮書又再一次讓科技產業的人揪心。在白皮書公布幾日前,矽谷大神們像Alphabet、FB和蘋果的大老闆們先後造訪布魯賽爾,關切此法案對產業及技術的影響。

光從白皮書的命名「a European approach to excellence and trust」,就可以嗅到濃厚又傳統的歐洲思考:不產業,也不技術,而是回到人本的框架去看AI發展。

科技報橘 這篇文章 摘錄了 白皮書 重點:

1. 訓練 AI 的數據資料必須要涵蓋廣泛的人口,避免產生偏見。

2. 訓練 AI 時,必須詳細記錄 AI 的訓練過程

3. 使用者與 AI 互動時,必須告知使用者正在與自動化系統互動,不是真人

4. 歐盟以外開發的 AI 可能要重新訓練才能進入歐洲市場,以確保符合歐盟規範。

尤其,如何在機器訓練過程中,減少偏見已經是門顯學。

去年,Apple Card發行後,就發現其信用額度的計算方式存在性別岐視,男女額度差別達20倍,引發社群上一片討論。高盛信用卡業務也正在接受官方調查。Apple Card還被選為

2019年最失敗的科技產品

最近,Google Cloud AI便宣布,將移除其API上標註男,女功能,因性別愈來愈難依外觀決定,也避免後續機器學習到更多不公平的誤差。


影片來源 : CGTN Youtube

美國政府預算加碼AI,大刪基礎科學研究

根據jp.techcrunch報導,2022年為止的預算,在非國防領域的人工智慧以及量子情報科學的研究開發費,將會增長至2倍。

政府預算大部分集中在美國正在逐漸失去優勢的技術領域。

國立科學財團,能源省科學局,國防高等研究計畫局,國防總部的共同AI中心的人工智慧相關預算比例,一共17億2400萬美元,農務省及國立衛生研究所的AI研究則為1.5億美金。

「量子計算、網絡、感測技術領域,充滿了令人難以置信的可能性」,美國能源省的總長Paul Dabbar說。作為此領域正在進行開發的其中一個案例,Dabbar舉出了阿貢國家實驗室、費米研究所、芝加哥大學等正在著手進行的52英里(mile)的量子通信廻圈(loop)為例。

被刪減的還包括:NASA、海洋大氣、國土安全、先端能源研究、環境保護科學和地質調查等基礎科學研究。


圖片來源:DIGITIMES熱備資訊Thomas Meier from Pixabay

多少才夠?數據防疫先行者教我們的事

【瑕疵檢測】PCB如何快速導入AI,若水用3招解決AOI高誤判率