Search
最近 #美元指數 反彈，讓黃金價格直直落 〽️
讓投資人的心情簡直像坐了雲霄飛車 😲
但說到買賣黃金，相信大家有過這樣的經驗
瀏覽台銀的牌價 就有 公斤、公克、台兩、英兩 等單位
同時，國際市場的黃金現貨又以「 盎司（oz）」報價
市場上好多不同的單位，到底要看哪個一啊？🤔
盎司、公克、台兩要如何換算？
除買金條之外，你知道還能用「黃金存摺」來投資嗎？
然而，黃金存摺是以美元計價，單位是以「盎司 ( oz )」
還規定要買一定的數量才行，一起來看相關細節吧 👇👇👇
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
【13. 為何有些健身的人會想選擇乳清蛋白？】（腎功能不好的朋友，請找營養師諮詢，我不接受線上問診）
怎麼天氣陰陰的？！還飄點小雨～還好，我昨天就把這篇寫完，不然，我會不會寫成什麼抒情散文？
今天要來談一下，為何健身的人，有的人要選擇乳清蛋白？是有原因在的。大家記得在【11. 哪種蛋白質、胺基酸對肌肉合成比較有幫助？】中我有提到，有一種胺基酸— leucine （白胺酸），到了肌肉組織後，特別會去『通知』肌肉：『喂！喂！快點合成蛋白質～～別再混了！』，而且，leucine （白胺酸）要到3克比較能『叫醒』肌肉去合成蛋白質。（圖一），當然，leucine 不是唯一可以喚醒肌肉的，只是他特別有力。
因為Leucine 最有力，我們還是來看一下，3克的leucine 在不同的蛋白質食物中是一個什麼樣的概念。由圖二的數據來換算一下，要提供3克的leucine要來自於以下的食物：
1. 蛋：約要400克，約7顆蛋
2. 鮮奶：約要845 mL
3. 牛肉：約要158克，約4.5份，約兩個半手掌心大
4. 豬肉：約要185克，約5.3份，約快要3個手掌心大
5. 雞肉：約要153克，約4.3份，約快要兩個半手掌心大
那乳清蛋白是要吃多少可得到3克的leucine？
1. 乳清蛋白：約25克，就是乳清蛋白付的湯匙一匙，約可泡成150～250mL的飲品。
所以，由以上的食物份量看來，的確是喝乳清蛋白對增加肌肉合成蛋白質比較有效率，不用吃一大堆蛋白質食物，就可以獲得一樣量的Leucine。我昨天也有寫到，目前對乳清蛋白優缺點的研究，所以，要不要喝，尊重大家選擇。
以下是我個人的看法與建議：
1. 平時應該以天然蛋白質食材為主。
2. 有重訓的人，重訓後再喝乳清蛋白。沒運動、沒重訓的人，不需要特別喝。
3. 若要喝，一天不要超過20～25公克。（其實我看過研究，重訓後補到21克的蛋白質，效果不會再更好，那一篇在哪？！喔～～熊熊找不到）
4. 這篇不是要大家一定要吃到3克Leucine 。只是來解釋，為何有的人會選乳清蛋白。其實重訓後，吃一般蛋白質食物就行啦！要看自己練到什麼程度。
咦！！突然想到，若我寫其他題材，如散文呀？小說呀？…大家會想看嗎？🤔🤔🤔
先備知識：
1.重量百分濃度的定義
影片重點：
1.ppm=溶質重量(克)/溶液重量(百萬克)=溶質重量(毫克)/溶液重量(千克)
2.稀薄溶液裡，我們可以把溶液的密度視為和水相同(=1g/ml)，並坐下列換算。
3.換算1公斤的稀薄溶液＝1000公克的溶液=1000毫升的溶液＝1公升的溶液。
4.所以，ppm也可以寫成ppm=溶質重量(毫克)/溶液體積(公升)
更多教學影片在均一教育平台 http://www.junyiacademy.org/
1大匙= 1 tablespoon = 15 c.c. = 15 ml ... 奶油 與 橄欖油 的換算比例(1:0.75) ... 1 杯(metric cup) = 250 毫升ml (cc) 1 湯匙(tablespoon) = 20 毫升ml (cc). ... <看更多>
克ml換算 在 [問題] 鮮奶油的換算- 看板cookclub 的推薦與評價
因為做蛋糕需要用到鮮奶油
抄好需要的份量之後開心的去購買食材
才發現市售的鮮奶油都是用"ml"來計算
但我的食譜是要"g"啊~~~~~~~~~~~~~
於是一直在冷凍櫃前徘徊
怕一下買太多用不到浪費
又怕到時候不夠急著跳腳
所以決定回來求救!!!
查了精華區有一種 ml換算成fl oz的公式
但還是不懂
所以想請問
240g的鮮奶油 要買幾ml才夠用呢?!?!?!
謝謝大家看完我很多話但其實只有一個問題的文章
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 163.14.34.70
... <看更多>