分類
亞洲動態

區塊鏈如何運用於跨產業

區塊鏈(Blockchain)作為比特幣(Bitcoin)運行的底層支援技術,因為比特幣所帶來的新興交易模式而負有盛名,隨著比特幣以及後續崛起的數位貨幣熱潮,突顯區塊鏈的真實價值並不局限在貨幣交易上,更被稱為重構下一代資訊架構的關鍵技術。也可稱為分散式帳本(Distributed Ledger Technology,DLT)的區塊鏈,因為可以在零信任的基礎下,建立一套電子交易體系,完成點對點的安全交易,使結算速度大幅提升。其所帶來的全新的信任機制與結算速度,讓傳統金融產業的交易模式首當其衝,也促使全球大型的金融機構一腳踏入區塊鏈的研發,更引領出各式跨產業的應用。

過去一年以來,全球大型金融機構紛紛宣布投入區塊鏈底層技術研發,更不斷地嘗試各式各樣的區塊鏈實驗,諸如清算系統、跨國支付等。除了早在2009年1月份問世的比特幣及數位貨幣應用外,區塊鏈的第一個證券業應用是美國證券交易所Nasdaq的實驗,Nasdaq去年底推出了一個證券區塊鏈帳本Nasdaq Linq,可以用來將私有市場的交易記錄數位化,追蹤數據的時間可以大幅縮短到幾秒鐘之內就可以完成,最顯著的就是減少了清算交易的成本。

同步公告交易紀錄,快速建立共識

《Fintech跟我有什麼關係》指出,透過區塊鏈記帳,幾乎不可能竄改資訊。因為一來竄改者必須同步竄改所有節點的帳本,就算能竄改所有人手上的帳本,竄改者還必須接續竄改其後不斷生成的新區塊,資料才能兜得攏,作弊行為才不會曝光,就實務上來說不可行。

區塊鏈技術如何應用在各產業呢?《2030世界未來報告書》指出,透過共同維護資訊,區塊鏈能有效追蹤任何有價值的東西。 像在供應鏈上,區塊鏈能記錄原料從產地到消費者手上的每個過程,是執行合約時,非常有用的資源。未來在交易紀錄、醫療紀錄管理等需要信用保護的領域都能派上用場。

根據市場分析公司 Jupiter Research 針對英國前 400 大企業調查,有 60% 企業回答「正在執行區塊鏈技術,或是考慮採用中。」其他像是微軟、亞馬遜、IBM 等公司,也都逐漸提供企業使用以區塊鏈技術為基礎的資料庫。

企業區塊鏈應用起飛

到了2016年,可說是區塊鏈商業應用起飛的一年,儘管多數實例仍以金融場域為主,但也確有非金融區塊鏈應用出現,可以說,2016年,企業區塊鏈應用跨出了金融圈。

今年稍早,英國最大的工作室日租網Vrumi跟保險公司、區塊鏈新創公司合作,推出首份區塊鏈保單,替房東與承租者節省中介成本。

而在9月上旬,英國Barclays銀行跟以色列的區塊鏈供應平臺Wave合作,成功完成了第一筆區塊鏈跨國金融交易,讓愛爾蘭農業合作社Ornua(金凱利奶油供應商)賣出了10萬美元的農產品交易,給東非的食物批發交易商 Seychelles,原本這類跨國交易得花上7到10天的作業時間,但這次交易縮短至只要4小時就完成了。

非金融場域的應用緊接著登場,9月下旬,IBM正式公開了全球最大規模的區塊鏈企業應用,就是IBM自家的供應鏈系統也擁抱區塊鏈。IBM旗下供應鏈超過4千家的零件製造商、經銷商與合作夥伴等,都改用區塊鏈所打造的金流平臺,過去因人為疏失或系統整合出錯衍生的訂單爭議而凍結的資金多達1億美元,區塊鏈讓交易資料高度透明化,爭議訂單處理時間也因而從44天縮短到了10天,讓這些凍結資金得以提早釋出。

※本文章屬於TNZE天擇集團所有嚴禁轉載※

分類
市場分析

投入發展需先找出市場定位,博弈市場商機龐大

博弈產業商機龐大且競爭激烈,為了吸引賭客、強化安全機制,歐美賭場從早期就大量導入電子技術,台灣是全球科技產業重鎮,產品應用廣泛,在博弈產業也有多家廠商投入。要了解台灣廠商在博弈產業中的位置,可先從產業鏈開始談起,在博弈產業最上游為硬體供應商,中游是內容或系統供應商,往下走則為系統整合商,最後佔據終端位置的則是代理商或營運商,舉凡專業賭場、法規市場、其他一般性娛樂市場皆屬於此類。

先從上游來看,博弈機硬體通常分成基本設備、輸出設備、輸入設備、金流設備等四大架構,每個架構皆有不同的元件,基本設備有主機板、機台框體及IPC相關零組件;輸出設備包括顯示器、揚聲器及大型看板;輸入設備為按鈕、搖桿及觸控螢幕;最後一項金流設備則分成紙鈔機、投退幣器、讀卡機及印表機。

台灣廠商在國際市場上優劣勢分析

台灣廠商在博弈市場上享有哪些優勢?投入發展的業者均表示,過往電子產業優勢同樣展現在IPC上。由於台灣PC組裝廠占全球比重高,使得IPC擁有一條架構完整產業鏈,上下游零件供應充足,再加上人工成本低廉,造就了相對於國際大廠約20-30%的價差優勢,另一方面,台灣硬體產業在OEM或ODM代工上有長足發展歷史,不論是設計能力或生產技術,均較大陸或其他東南亞國家來得高,品質亦相對穩定。

在價格與品質均握有優勢的情況下,讓台灣廠商占有全球博弈板卡70%以上的市場,不過也因為訂單都集中至台灣IPC業者,殺價搶單消息也就時有所聞,因此同業間價格競爭,將成為未來發展最大隱憂。至於在軟體面,雖然目前發展態勢不若硬體蓬勃,但認為未來發展空間仍大,不論研究單位或國際賭場業者皆一致認同亞洲將是博弈產業未來新興市場,尤其中國大陸更是商機無窮,而一個吸引人、有趣的遊戲軟體,通常會與該地區文化歷史有關聯,台灣軟體廠商享有文化與地利優勢,在搶攻大陸博弈市場上,自然比其他國際廠商更具優勢。

往下走到中游的內容或系統供應商,負責設計遊戲軟體或系統,例如:賭場管理系統、大獎彩池系統等,之後進入系統整合階段,SI廠商將遊戲軟體整合至博弈機中,並送交相關單位進行認證。

東方人愛賭,從東南亞發達的賭業可見一斑,台灣賭客每年前往賭場的人數不計其數,澳門賭場因鄰近台灣,更是不少台灣賭客會前往的賭場之一,但你知道嗎?在賭場中有不少機器,都來自台灣!

台灣博弈尚未合法,博弈產業卻蓬勃發展,創造產值讓人無法想像。泰偉是博弈設備與遊戲業者,過去以博奕遊戲系統為主要產品,近年來泰偉積極轉型,攻入網路博奕遊戲市場,並已成為公司營收的主要來源。

泰偉電子股份有限公司董事長楊南平表示,博弈服務產業拿到資本市場EPS都很高,全球博弈產業蓬勃,網路博弈大餅之大,這是台灣的機會,相關行業在台灣至少幾百家,只要謹守不要「營運」(不直接面對賭客),在台灣都屬合法。

※本文章屬於TNZE天擇集團所有嚴禁轉載※

 

分類
區塊鏈

看區塊鏈如何翻轉產業的商業模式,數位轉型正夯!

區塊鏈可以作為除了金融應用外的基礎建設,這幾年下來可以說已經無庸置疑,不過由於現實世界的歷史包袱過多,這狀況會讓區塊鏈在真實世界的導入碰到許多阻礙。

筆者曾經用一些歷史案例的推演來解釋這一個現象,在現代出門開車用車已經是個不需要解釋的行為,我們試著回到一百多年前,在那個世界還是以馬車為主的時代,如何讓大家體會到汽車可能帶來的好處,尤其在汽車當時的造價和導入成本是高的,從歷史角度推演的好處是,你就是未來人,你早就知道答案,汽車成了現在交通的主流,但這一切是如何發生才是先行者,創新者所關注的。

區塊鏈的狀況就如同當時,透過其技術特性我們推演區塊鏈勢必會成為物聯網的一種基礎建設,這個預測筆者自己在2016年與夥伴一起看到,到了2020年已經有諸多國際研究機構的報告證實了這件事情。下一個挑戰就是,物聯網太大,具體的導入和應用又是什麼呢?

面臨的挑戰

對於服務業者來說,提供服務然後換取客戶手上的錢是最基本的價值,可是到了Internet時代,這樣的價值看起來是不夠的,所有的人都透過Google、Facebook、Amazon等等看到對於客戶的新想像,於是也開始思考起,除了過去的買受關係,跟使用者的關係可否更長久?我們的服務據點這麼多,是否可以產生更多價值?

上述的反思,其實套到許多產業都通,等於客戶開始思考自己在服務基礎上,可否建構出新的數位價值,也就是「數位轉型」。

但是,所有想到的可能性,若基於例如微信平台上來發想,那基本上使用者不是你的,是微信的,消費收錢可能是你的,但微信卻共享了你跟客戶服務後所帶來的資料價值,加上充電樁充電站的架設相當的燒資金,於是就找了我們探討起區塊鏈能帶來的可能性。

區塊鏈的導入與應用

筆者團隊因故在兩三年前針對區塊鏈產業做研究時,有注意到一件事情,就是為何有好幾個汽車品牌都有參與一些區塊鏈研究以及導入規劃,當時看到卻沒多加注意,直到2019年因為團隊方向的調整,我們再次針對汽車產業對於區塊鏈關注的現象做了一些研究和調查,進而發現到他們所關注的其實是基於汽車所帶來的各種mobility服務的可能性(MaaS),甚至是更大的關於智慧城市的議題,其中因為未來電動車所帶來的劇變而導致能源或者電網這類題目成了這些汽車業者所關注的領域。

但到底具體可以是什麼應用,或者說會用怎樣的方式呈現到真實世界呢?

2019年起我們陸續有了幾個跟我們一起探討相關可能性的潛在客戶,其中一個在中國的案例成了現在進行式。客戶A在中國針對低端的電瓶車提供充電服務,目前在中國這一類型的電動機車有超過三億台,每年約有10%的成長,當前樣貌都是透過微信支付或者支付寶來進行服務的取用及付費。

展望 2020

2020 年區塊鏈產業發展的重心將會是打造更容易使用的服務,關鍵角色就是 dApp(去中心化應用),他們要面對的主要障礙在於網路互通性與安全問題。這個領域值得關注的專案,將會是 Polkadot、Bison、Trails 和 Anchorange。

區塊鏈相關服務將會變得更將多元,主要集中在交易所和資產保管,為了爭搶用戶,將會出現更多高附加價值的服務。資產保管所除了會推出保險服務外,可能也會開始規劃「借貸」服務,像是 BitGo,就開始提供機構等級貸款服務。

政府參與在 2020 年也會持續增加,在各國研究數位法幣的同時,他們也會持續用更多方式,去監管加密貨幣市場與交易所。對於區塊鏈交易平台來說,要滿足監管機構提出的許多條件才能合法運營,其中「資料保密」恐怕是比較困難的部份。此外,如果數位法幣真的上路,可以預期穩定幣將成為首要衝擊目標,值得投資人注意。
※本文章屬於TNZE天擇集團所有嚴禁轉載※

 

 

 

 

分類
人工智慧

解決了長期困擾生物學界的蛋白質折疊問題及先鋒智能

長期困擾生物學界的蛋白質折疊問題

不過就在最近DeepMind在一篇文章中宣佈該公司的科學家開發了一種名為AlphaFold 2的人工智慧演算法,解決了生物學界所謂的蛋白質折疊問題:大量DNA基因被定序完成後,等於人類取得了生命的分子密碼,如果曉得這些密碼的含義,就能了解其所對應的蛋白質的功能與作用,不過在我們知道 DNA 的三聯碼之後,只能確定氨基酸鏈的排列順序,若要進一步預測蛋白質的結構與功能,卻是相當困難的事情,因為氨基酸鏈可以折疊扭曲成蓆狀、螺旋狀等各種單元,互相再轉折連接起來,多個立體結構還可能進一步結合在一起共同運作,表現出特定的活性與功能,這些就是一直以來困擾著生物學界的蛋白質折疊問題。

AlphaFold 2成功預測蛋白質結構

AlphaFold 2人工智慧演算法的目標是只根據蛋白質的組成狀態就預測出蛋白質的形狀,若可以成功預測出蛋白質結構,將會極大地改善生物醫學技術,並讓醫生更快地找出許多疾病更有效地治療方法。

「蛋白質結構預測的關鍵評估」(CASP)對於科學家們是非常大的挑戰,而AlphaFold 2人工智慧演算法已經解決了這個長久存留在生物學界的問題。根據該團隊的研究發表,在2020年的CASP當中,AlphaFold 2預測蛋白質結構的平均分為92.4分(滿分為100分),雖然這結果還不夠完美,但它已經超越了過去幾十年來該領域各種技術方面的解決方法。

除此之外,研究小組希望AlphaFold 2人工智慧演算法能大大加快醫生分析新疾病和開發潛在治療方法的速度。馬克斯·普朗克發育生物學研究所所長以及CASP評估員安德烈·盧普斯在DeepMind的文章中表示,AlphaFold驚人的技術使我們能夠解決生物學界近十年來的蛋白質結構問題。

先鋒智能 人工智能7秒判讀血癌醫療數據

先鋒智能股份有限公司 (AHEAD Medicine Ltd.) 是由台大醫院內科部血液科、台大醫學院內科、國立清華大學電機工程學系人類行為訊息暨互動計算研究室等多方專業團隊跨領域合作,經科技部價創計畫輔導所誕生的衍生新創公司。

先鋒智能著重於利用人工智慧開發協助惡性血液疾病診斷及預後預測的輔助工具,其首席產品為全自動化的臨床流式細胞儀檢驗分析平台AHEAD-flow platform。今年初獲選全球徵案錄取率僅1%的加州大學柏克萊分校SkyDeck創業加速器,積極推進佈局北美市場。

流式細胞儀檢測細胞蛋白質表現是臨床醫師在血癌診斷與疾病追蹤時需要仰賴的檢驗項目,但因為判讀人力的稀缺以及與日俱增的檢驗量,導致病患等待檢驗報告時間長達14天才能取得報告,延誤了癌症病患的黃金治療時機。目前人工判讀一例需要20-30分鐘,但AHEAD-flow平台平均一例僅需7秒鐘即可判讀是否有異常,並提供與資料庫比對的分析圖表,協助醫師更快速獲得報告並制定相關治療決策,提升診斷以及治療的效率。

除了2018年起與美國匹茲堡大學醫學中心的合作案外,今年先鋒智能更積極與北美多家知名醫學中心如Mayo Clinic 以及檢驗服務公司 LifeLabs 洽談臨床試驗或演算法共同開發合作案,以期更快速建置完成各類惡性血液疾病診斷以及追蹤的分析模組。

先鋒智能剛完成第一個疾病白血病殘餘疾病分析模組FDA pre-submission meeting 的申請,盼於今年底與FDA取得共識,確認正式送件所需的驗證試驗資料及法規路徑。同時先鋒智能正於海內外積極進行臨床驗證試驗所需的種子輪募資計畫。這次透過醫療科技展的展出,也希望能媒合到更多策略合作夥伴 (包含醫學中心、檢驗儀器商、檢驗服務或是臨床試驗服務公司)及投資人。

※本文章屬於TNZE天擇集團所有嚴禁轉載※

 

分類
人工智慧

要多少數據才能訓練AI模型?拆解企業人工智慧專案為何難落地

數據不夠或太多怎麼辦?

Google開設的機器學習(Machine Learning)課程中,第一項原則就開宗明義地指出:「Don’t be afraid to launch a product without machine learning」。

如果你的產品或業務不一定需要用到機器學習(Machine Learning),那就別用,除非你有AI數據。有數據,再來談機器學習(Machine Learning)。但在業界的實際狀況,大家不是沒有數據,而是只有一些些,這時候該怎麼辦?我會建議,先從小地方開始做起,也就是從POC專案著手。

POC專案要有具體成效,除了要注意設計專案、實驗模型的指標(Metrics),企業最重要的是要先定義清楚:AI專案要達到什麼樣的指標,才算是成功?這樣最後做出來的成果,才會真正符合商業目標。

如果今天不是沒有AI數據,而是數據很多,又該從何下手呢?

我建議,嘗試減少訓練AI人工智慧時的「 數據大小 」和「 數據筆數 」。

過去曾經處理過一個AI專案,數據多達2億筆。第一次實驗,把數據全部餵進AI模型,取得結果。第二次,只拿其中有代表性的500萬筆出來訓練人工智慧。

猜猜結果如何?兩次實驗的表現,只差異不到1%。

所以,如果企業對於AI數據的品質和數量有一定程度的自信根據,其實不用把數據全部餵進AI模型訓練(Model Training),只用有代表性的AI數據來訓練就可以了。市面上很多常見的AI工具(Cluster),可以做到這點,幫助省時省力。

AI模型訓練,記得校準商業目標

企業發展AI人工智慧的最終目的,還是希望能 達到商業目標,創造價值 。

所以,訓練AI模型時,團隊如果不知道如何判斷哪個指標,對AI模型學習來說比較重要,建議回歸初心,重新釐清「 這個專案想達到的商業目標是什麼 」。

比方,趨勢科技(Trend Micro)要開發一個能夠判斷電腦病毒的AI,但是勒索病毒(denial-of-access attack)和廣告病毒對客戶的傷害程度大不相同。這時候,工程師就會針對這個命題,餵給AI模型不同病毒種類的數據,讓它學會判斷不同病毒的重要性,分辨出哪些病毒比較嚴重不能有判斷錯誤,而哪些病毒比較無害,不一定要做到一百分。

AI模型的POC概念驗證實驗怎麼做?

簡單來說,就是針對不同複雜程度的商業問題,嘗試選用不同複雜度的模型搭配測試,直到模型跑出來的曲線,符合理想目標。

一般狀態下,假設商業問題本身的複雜度很高,我們會預期要選擇複雜度較高的模型。但是如果數據量不足,那麼選擇複雜度較高的AI模型,反而會比用簡單的AI模型效果還差。(上圖左上、右上,分別代表複雜度10和複雜度50的問題,可以明顯看出複雜的模型曲線比較接近學習數據集(Dataset),但是在測試數據集上的誤差 Eout,反而比簡單模型還差了許多。)

上圖的左下和右下,是以不同複雜度的模型去做POC,跑出來的結果曲線圖。藍色線代表的是學習數據(Training Data)成效,紅色線代表的是測試數據(Testing Data)成效。最理想的POC目標,應該是兩條曲線很貼近彼此,而且位置越低越好。

我們會發現,左下這張圖的兩條曲線雖然彼此貼近,但是就算增加數據,也無法降低誤差。這表示模型偏誤(Bias)高,效果不佳,應該要增加模型複雜度 (Model Complexity)。

增加模型複雜度之後,就會像右下這張圖,藍色曲線(學習數據)雖然數值很低,但在學習數據不足的情況下(灰色區塊),紅色曲線(測試數據)卻「飄」得太高。這表示模型變異誤差(Variance)高,應該要增加學習數據。最後在慢慢增加模型複雜度以及學習數據之後,我們就可以達到理想的結果(兩條曲線很貼近彼此,而且位置越低越好)。

數據哪裡來?發展AI人工智慧之前,先建立數據流

先前我在文章裡提到,很多企業會急著開發AI模型,但AI專案落地經驗的三大關鍵之一,其實是先確認:是否已經準備好數據了?如果沒有這樣的能力,談AI落地其實有點好高騖遠。

加快學術研究的人工智慧投入商業與政府應用

而為了協助更多學術研究的人工智慧技術能快速進入市場應用,NVIDIA此次提出的應用研究加速器計畫,則是可讓透過NVIDIA旗下GPU建置平台打造的人工智慧技術,能在更短時間內投入商業或政府應用環境。

在此項計畫中,將讓研究人員及合作組織能取得NVIDIA技術指導、硬體贊助、獎助金、應用支援、人工智慧訓練計畫,甚至包含各項建立人脈網路及行銷機會。同時,此項計畫初期會先聚焦在機器人與無人機應用領域,未來幾個月後則會接續加入資料科學應用、自然語言處理,以及包含語音識別與對話式人工智慧技術發展。

※本文章屬於TNZE天擇集團所有嚴禁轉載※