List

如何開始你的學術研究(或是帶領你的PhD學生)?

明天(10/26)在 GTC Taiwan 2017 中特別的 track — AI Symposium(與科技部合辦),針對台灣的研究以及政府單位人員,我有40分鐘的演講,太多東西值得分享,必須取捨。
有一張我一直很喜歡的投影片得割捨,可是這又是我這幾年帶領研究團隊最重要的方針。
2007年回台北,我還在困惑該怎樣帶領研究團隊的時候,很榮幸受到微軟研究院的邀請,參加他們一年一度的 Microsoft Research Asia Faculty Summit。
會場中Turing Award (1986) 得主, Prof. John Hopcroft,分享了是以怎樣的作法(跟標準)來帶領博士班學生。他的學生中也已經有人拿到Turing Award。
他提到。
  1. Position yourself for the future
  2. Ignore well established open problems
  3. Formulate new direction of area
  4. Start simple!!
  5. Get international visibility; encourage your students to submit to top conferences

有些想法跟國內的要求的主流 KPI 似乎不盡相同。不過當下我完全採納,因為這些做法,也是我在Columbia的博士班指導教授帶領我的方式。

簡言之。開創新的領域、置身於未來的世界、國際競爭力、參與頂尖國際會議。

很高興的是,多年之後,回頭檢視,很慶幸能夠堅持以這樣(非台灣主流的)標準來帶領我的研究團隊。讓我們在國際的研究社群、產業界,還保有一定的地位。我們的研究團隊,更是國際上具有競爭力的人才庫。

 

  Posts

1 2 3 5
February 8th, 2018

開始就有機會—從無到有的深度學習影像產品開發—群暉Synology

    智能技術是泡沫嗎? 只在口沫中的就是。 智能技術最大的效用,就在提升效率,生產力、以及安全性。增益既有的產品價值,擴張新的銷售管道或是客戶。 過去一年與 Synology 群暉科技 合作的使用者照片物件、場景、人臉辨識技術已經正式deploy到群暉的NAS跟手機中。不限在具有GPU的硬體,因為辨識引擎也經過設計優化。 相關過程也在 二月六號的「TechNews科技新報」的專題報導「搞定關鍵模型,台灣NAS 廠商一年內將AI 導入商用」。 為什麼?照片管理功能對群暉還有他的客戶群是「剛需」,因為使用者相當大量的資料是照片。 『「很令人興奮的產學合作經驗,群暉在深度學習技術從無到有,甚至目前各項視覺辨識指標都達到世界級的水準。」』 這不是恭維,透過嚴謹的研究過程,更能掌握核心技術深度,還有產品化繁瑣細節,並逐漸擴充到其他受惠於智能技術的產品線。 不只是群暉,最近另一家台北的系統廠,也是從無到有,建立了即時人臉辨識的引擎,經過與某國際大廠PK之後,領導階層才意識到自己團隊這一年來建立的堅強實力;目前也在公司內部數千人的場域進行PoC,進行產品化。 『對欲導入視覺辨識等人工智慧技術的企業,徐宏民提出三點建議,首先是相信台灣具有相關領域世界級的技術研究能量;其次是確保高階主管對深度學習等技術的認可並願意投資;最後是將深度學習等技術放到產品藍圖,而非只是單純做研究。』   Related

February 6th, 2018

Year End Party for the Amazing 2017!

February 6th, 2018

Public “NetiLook Dataset” for Netizen-Style Commenting on Fashion Photos

December 5th, 2017

深度卷積網路的產品開發經驗 (一) (Advancing Convolutional Neural Networks for Industrial Products – I)

October 28th, 2017

Best Brave New Idea Paper Award in ACM Multimedia 2017

October 28th, 2017

How to Get Started in (PhD) Research (如何帶領你的PhD學生)

October 25th, 2017

Technical Debt — 沒有白吃的午餐

  十月初Intel副總兼CTO Amir Khosrowshahi 來台,有機會交流。Amir說明Intel在未來智能服務的定位。其中提到了NIPS 2015 Sculley的論文中 “Technical Debt” (技術債)的概念。 很有趣的一個名詞,用來解釋天下沒有白吃的午餐 — 智能化當然是相當重要的未來,但是也得搭配其他不可或缺的要件。  很快的把Sculley的論文看了,主要討論智能元件上線之後,對於線上的工程系統有怎樣的工程挑戰:比如說如何維持特徵值擷取版本,過多的特徵值,訓練模型的版本等等。 值得工程人員關注。  其中最有意思的是這張圖,核心智能(機器學習或是深度學習)常常只是工程系統中的一小部分,為了讓整個服務可以完整的運行,還有其他重要配合的工程部分,例如資料收集、清理、運算資源管理、運算平台、監控服務等。Intel想提供圖一上的大部分,不是只有ML核心。  每個有價值的垂直領域,都有專業的知識,需要時間、成本累積。從一年多前開始跟醫學領域的人一起合作,完全可以感受到跨領域的挑戰,令人戰戰兢兢。  技術債可以用(素質好)的人力彌補,例如挖角、併購,但是價格高。  同樣的,對於非以IT技術擅長的產業,即時是獲利非常良好的隱形冠軍們,要智能化在公司內部開始產生效益,也需要相當的時間跟花費(同樣的,有許多技術債得償還)。當然,經營層的決心是最關鍵的。  這也可能是許多(新創)公司的機會所在。尤其是專注服務於產出大量資料,以及資料單位價值高的幾個領域:例如製造、能源、健康醫療、交通、IT等,都是值得大量投資智能技術的領域。 […]

August 29th, 2017

Interview by Harvard Business Review (哈佛商業評論) on How to Grow the (AI) Talents

August 27th, 2017

Panel Discussion in IBM Technical Forum 2017 and How to be the AI-Savvy Company

August 20th, 2017

Technical Talk in Dell Technology Forum 2017 — AI Developments and Opportunities