正前]
――――從研究邁向實用，見證35家日本先進企業如何成功應用「深度學習」――――
 
日本AI書籍第一人、東京大學松尾豐教授解說深度學習的發展預測
LINE、可口可樂、本田、樂天、NHK、So-net、佳能醫療系統……
第一手訪談先驅者的前瞻思考，掌握智慧化新技術的無限商機
 
★深入導讀深度學習的發展：影像辨識、多模式辨識、機器人學、互動、符號接地、知識擷取！
★為運用AI技術的企業經常遇到的疑問提出解答，次世代新興事業、企業創造價值必讀教本！
★直擊AI計畫推動者的挑戰與艱辛，收錄大量照片和圖表，身歷其境感受快速擴展的深度學習應用的今日與未來！
 
【各界讚譽推薦】

何英圻 ∣ 91APP董事長
呂曜志 ∣ 台北海洋科技大學副校長
陳良基 ∣ 科技部部長
郭奕伶 ∣ 商周集團執行長
張嘉惠 ∣ 中華民國人工智慧學會理事長
陶韻智 ∣ 德豐管顧公司合夥人、LINE台灣區前總經理
程世嘉 ∣ iKala共同創辦人暨執行長
詹宏志 ∣ PChome Online網路家庭董事長
楊立偉 ∣ 國立臺灣大學工商管理學系教授
盧希鵬 ∣ 國立臺灣科技大學資訊管理系專任特聘教授
謝宗震 ∣ 智庫驅動公司知識長
魏澤人 ∣ 國立交通大學AI學院副教授
蘇書平 ∣ 為你而讀執行長
 
█ 以AI為眼、為腦，實現五感預測，邁向高階思考溝通！
 
扮演第三次人工智慧熱潮領頭羊角色的深度學習，正以銳不可擋之姿進化。做為人工智慧時代的通用技術，「深度學習」蘊藏著能夠改變一切產業中所有業務、創造新事業的潛力。本書不是探討深度學習技術的深奧知識，而是希望藉由多樣化的實際案例，找出靈活運用的「模式」。
 
豬排丼盛裝方式的判定、計算游動中的鮪魚數量、辨別送洗的衣類、文章的校閱、判斷河川護岸的損壞、輸電線的異常檢測、探測路面下的空洞、預測計程車的乘客人數、預估電視廣告的效果、便當的裝飾、黑白影像的上色技術、繪製虛擬偶像的圖像、跟專業人士一樣的主播、模仿卡通人物語音的智慧音箱……分門別類介紹深度學習的驚人運用法。
 
本書由專精市場行銷和創新的日本數位媒體「日經xTREND」編纂，長期關注企業最先進數位策略和新事業規畫的專業記者撰文。此外，人工智慧專家將解答企業在商業應用上經常面臨的問題，包括值得挑戰的領域、需要的人才、費用估算、成功活用的關鍵要素等。
 
或許不是每個人都會開發AI、都需要思考AI運用，但人人都是AI消費者、獲益者、享受者，也是受AI影響者。透過本書，見證人工智慧如何深入我們的生活，改變世界！
 
█ 從大企業到中小企業，從金融保險、零售流通、醫療保健、機械交通到文創媒體
    系統化歸納深度學習活用案例，找出高效運用的最佳模式！
 
01   以影像辨識實現自動結帳的無人櫃臺，與人的合作比辨識準確率更重要
02   用約七百台自行研發的人工智慧攝影機「實際A/B測試」
03   日版「Amazon Go」的實驗，以人工智慧實現預防竊盜技術
04   分析社群網站的圖像貼文，掌握消費情境
05   大幅縮短製作估價單的時間，增加保險提案的「打數」
06   以人工智慧將租賃物件照片自動分類，每個月減少三千小時的作業
07   翻譯手語的小型機器人，設置於銀行櫃臺等窗口協助對話
08   藉由智慧型手機圖像分析，計算食物熱量和判定體態
09   使用亞馬遜的影像辨識API，將環境改善人工智慧服務事業化
10   運用人工智慧掌握鮪魚養殖數量，每年減少超過兩百五十小時的作業
11   福岡的乾洗店以五十萬日圓打造「人工智慧無人櫃臺」的原因
12   校對人工智慧效果驚人，檢測率超過人類，只需幾秒即完成
13   以人工智慧檢測河川護岸受損狀況，驗證公共基礎工程更有效的檢驗法
14   運用於檢測輸電線異常，希望提升五倍生產力
15   本田旗下汽車零件製造商，試作不良品自動偵測系統
16   藉由一般人工智慧與優秀人工智慧結合，實現自動化檢查半導體晶圓外觀
17   追蹤路面下空洞的變化，偵測塌陷危險性高的地點
18   使用滿載保全警備專業技能的人工智慧來防止竊盜
19   研發車用保護駕駛感測器，判定認知、判斷和操作狀況
20   使用智慧型手機拍照，就能自動輸入上架商品類別和名稱
21   菜鳥駕駛勝過經驗豐富的中堅員工！人工智慧計程車的威力
22   以人工智慧預測人的移動並加以視覺化，布局近未來的交通系統
23   學習約一萬支電視廣告影片，在播放前精準預測效果
24   橫幅廣告點擊率高低的預測準確率，專家百分之五十三對人工智慧百分之七十
25   日本國內醫療第一線首次實際使用運用深度學習的儀器
26   以深度學習來讓機器人取出散裝零件
27   老字號企業與新創公司合作，挑戰解開「夾取義大利麵」的難題
28   實現油壓挖土機自動挖掘作業，輸入資料和人員作業一樣只靠影像
29   從屬性識別到軌道生成的六項功能都適用人工智慧，朝自動駕駛邁進
30   以人工智慧提升黑白影像彩色化的效率，五天的作業一日完成
31   實現自動生成「偶像臉」，目標是創意人工智慧實用化
32   超越亞馬遜Alexa的「人工智慧播報員」能流暢說話的原因
33   Clova的「個性化」策略，以約四小時的語音資料來模擬說話方式
34   實現電視劇字幕自動翻譯作業超越專業人員的品質
35   讓機器人能理解情感，實現高階溝通
 
█ 對本書的讚譽
 
何英圻 ∣ 91APP董事長
對零售對品牌來說，沒有「對的資料」，就沒有AI。唯有正確的資料，機器才能理解、學習。但是零售數據龐雜，線上線下數據異質性高，我看到許多品牌，光要打通線上線下資料，再進而資料可以正確一致，就面臨非常巨大挑戰。縱使有再強的AI算力、演算法，沒有對的資料，是做不到虛實融合（OMO），遑論AI帶來的龐大效益。如本書所提，AI並非萬能，要站在實際應用場景來設計，才會做出讓企業致勝的武器。現在距離不需要人的時代還很遙遠，要使用AI驅動企業競爭力，就要回到如何理解AI善用AI，這才是未來十年的重點，也是本書精髓。
 
呂曜志 ∣ 台北海洋科技大學副校長
人工智慧應用科技的目的，事實上不是要取代人，而是要取代人的某些耗費心力的勞動與時間投入，使得人類從繁雜的勞動中被解放出來，從而投入更有創造性與決策性的心智活動。因此人工智慧在企業上的應用，其實是一種分層負責與決行的概念，讓所有能夠被清楚定義（Well Defined）與數量化，且不牽涉到動態競爭賽局的決策，賦權給人工智慧來處理過程中的決策資訊，而最後由人類來審核與拍板。
除了解釋決策者給予的問題之外，人工智慧的下一步，將是從大量結構性與非結構性的資料當中，看到決策者所看不到的問題。因此人工智慧對企業管理的未來，有如數位的斷層掃描儀，一層一層診斷與凸顯企業的問題。既然是診斷企業，就要有大量的臨床成功病例，這本書提供了三十五家日本各領域先進企業應用人工智慧、精進企業經營的實際案例，值得任何有志於探討企業管理議題的讀者參考。
 
程世嘉 ∣ iKala共同創辦人暨執行長
數位轉型從以往的數位化、IT升級階段，正式進入以AI為核心驅動的商業轉型階段。AI技術經過多年發展，已經快速商品化，變成人人可用。現在，一位不會寫程式的行銷人員，都能輕易上手AI工具，來改善工作流程和成效。iKala 提供以AI為核心的商業轉型解決方案，在六個國家，服務超過三百五十間、橫跨超過十二種產業的企業客戶，親身參與AI在不同商業場景的落地和實踐。本書以場景分類出發，有條有理歸類不同企業使用深度學習技術改善商業流程的方式，諸多案例令人大開眼界，值得一讀。
 
謝宗震 ∣ 智庫驅動公司知識長
本書彙整了大量人工智慧應用案例，透過訪談先驅者的第一手材料，理解人工智慧應用是如何在既有工作流程中進行顛覆式創新。譬如怎麼樣讓豬排丼看起來更美味、如何系統性偵測路面坑洞、如何實現挖土機自動挖掘作業。
在終章更整理了實務專家在商務運用的關鍵議題，包含場景、資料、人才、外援、預算。精讀本書有助於讀者建立有效的決策，創造有價值的應用，本人誠摯推薦。
 
魏澤人 ∣ 國立交通大學AI學院副教授
在產業中應用深度學習技術，需要資料科學家、資料工程師、軟體工程師、使用者經驗、行銷等等不同領域的人才。要讓這麼多不同領域的專家合作和溝通，相當有挑戰。也許需要更多像書中所提的「左右開弓型」人才。本書中舉出許多AI在日本產業上的案例，很值得參考。

作者簡介日經xTREND日経クロストレンド新興市場創業人的數位策略媒體。針對正在開發企業新業務、致力行銷相關業務者，每天提供包括行銷、消費、技術、資料、創新、中國、美國、技能提升等領域的最新相關實務資訊。http://trend.nikkeibp.co.jp/日本深度學習協會（監修）日本ディープラーニング協会旨在藉由以深度學習為中心的技術，提升日本產業競爭力。協會理事長為東京大學工學研究所松尾豐教授。https://www.jdla.org/譯者簡介葉韋利Lica Yeh1974年生，現為專職主婦譯者，熱愛翻譯工作。享受低調悶騷的文字cosplay與平凡充實的生活。譯有《陸王》（圓神）、《設計的精髓》（經濟新潮社）等書。FB專頁「譯者葉韋利工作筆記」：www.facebook.com/licaworks譯者葉韋利工作筆記部落格：https://licawork.blogspot.com/

前言
 
【第一章  深度學習的發展預測】

深度學習現況╱深度學習的發展路線圖╱(1)影像辨識╱(2)多模式辨識╱(3)機器人學╱深度學習是通用技術╱提供國王般的服務╱課題是人才不足，業界不約而同開始培養人才
 
【第二章　[Step 1]成為人類的「眼睛」擺脫單純的作業】
 
case01  Signpost
將排隊結帳當作社會課題來面對╱不知道的東西就會判斷「不知道」╱未來也會成為收集商品圖像資料的事業體╱將購買日用品變成「愉快」的場所
 
case02  Trial Holdings
連人工智慧攝影機也貫徹自行研發精神╱掌握貨架陳列狀況和顧客對商品的接觸度╱也測試了Panasonic的人工智慧攝影機╱讓任何人都能做到資深人員的裝盤方式╱區別「香菇山」與「竹筍村」
 
case03  VAAK
實現不需要感測器的無人商店
 
case04  日本可口可樂  Coca-Cola Japan
從十萬張圖像來分析飲用情境
 
case05  損害保險日本興亞  Sompo Japan Nipponkoa Insurance Inc.
購車後保險提案困難的原因╱增加保險提案的「打數」
 
case06  大東建託  Daito Trust Construction
一個半月達到模型化╱追求業務上「容易操作」的系統
 
case07  NTT DATA
對RoBoHoN用手語交談，機器人就會發出日語╱可判讀五百個手語字彙╱運用姿態估測模型
 
case08  FiNC Technologies
可辨識一百三十五種料理╱運用龐大的資料量作為強項╱以一百個等級來評估體態的人工智慧╱服務研發與人工智慧研發的「雙刀派」
 
case09  AUCNET IBS
用深度學習來辨識照明設備的「安定器」型號╱制定實務上的最終目標，運用深度學習
 
case10  双日鮪魚養殖場鷹島  Sojitz Tuna Farm Takashima
掌握鮪魚數量至關重要╱逐格播放影片來計算鮪魚數量╱「直覺認為那是不可能辦到的」╱研發鮪魚專用計數應用程式╱如何在網路環境不佳的鷹島實施？
 
case11  LANDA
只要把衣物放在桌上就能自動判別╱如果可以分辨狗跟貓，應該也分得出西裝與長褲╱相較於人工智慧完成度，更重視無人櫃臺的落實程度╱努力吸收知識，盡量控制投資
 
【第三章 　[Stpe 2]扮演「五官」角色，預測行動、偵測異常】
 
case12  瑞可利  Recruit Holdings
校對員工人數大幅減少╱檢測率達百分之八十二至百分之八十三
 
case13  八千代機械  Yachiyo Engineering
將一百五十張照片加工成一萬多筆資料╱如果進一步制訂出規則等使用環境，就會儘快普及
 
case14  東京電力電網公司  東京電力Power Grid
一年多達約一千四百小時監控作業╱架空輸電線診斷系統由四項功能組成╱挖掘各個事務所保存的資料來提高準確率╱應用於檢驗電塔或結構物生鏽的可能性
 
case15  武藏精密工業  Musashi Seimitsu Industry
幾乎能實現與人工目視檢查相近的準確率
 
case16  藤倉  Fujikura
正確率超過百分之九十九
 
case17  川崎地質  Kawasaki Geological
用過去的調查結果作為訓練資料學習╱用新的探測設備收集超過百倍資料
 
case18  綜合警備保障  ALSOK
藉由深度學習實現新型態的待客之道
 
case19  歐姆龍  OMRON
適用第二級自動駕駛的駕駛專注度感測╱以時間序列的深度學習來辨識駕駛人舉動
 
case20  Mercari
藉由影像辨識自動登錄分類╱準確率低仍能實現「感動上架」╱利用多模式辨識偵測違規上架╱更新模型並建立公開機制不可或缺
 
case21  東京無線協同組合  Tokyo Musen
人口統計×行駛狀況×氣象×設施資料╱為了提升準確率而擴充資料量╱以混合方式預測，採用接近實測值的模型
 
case22  順風路  JUNPUZI
運用從全國超過四十個地方政府收集到的資料╱計畫運用針對交通行動服務（MaaS）領域的資料╱以移動和氣象資訊等資料來預測需求
 
case23  Video Research
將十年分的一萬支廣告以每支十五張圖像來分析
 
case24  So-net媒體網路公司  So-net Media Networks
用三萬五千則橫幅廣告來學習
 
case25  佳能醫療系統  Canon Medical System
可以重建在低輻射量下同等解析度的電腦斷層攝影影像╱磁振造影影像也用深度學習來去除雜訊
 
國外案例
Viz.ai、IDx、Imagen Technologies 、Arterys等深度學習在美國醫療第一線陸續商品化
 
【第四章　[Stpe 3]彈性因應現實社會的「機器人」、「自動駕駛」時代】
 
case26  發那科  FANUC
通知零件更換時期，減少不必要的作業╱收集大量理想的訓練資料╱實現高準確率拾取散裝的零件╱即使無法百分之百保證也能產生價值嗎？
 
case27  石田  ISHIDA
仰賴人海戰術的工廠所面臨的現實╱藉由深度學習讓盛裝作業自動化╱獲選為優良人工智慧新創研究專案
 
case28  藤田  FUJITA
日本能以人工智慧致勝的是營建領域╱將熟練操作人員的動作數據化╱準備資料和建置系統耗時一年
 
case29  本田技研工業  HONDA
只靠三架攝影機的資訊來實現自動駕駛╱認知功能與行動計畫功能大幅進化╱將自動駕駛要求的功能由上到下縱向分割
 
國外案例
Robby Technologies、BoxBot、Nuro、Robomart等威脅機器人大國日本的矽谷環保系統
 
【第五章　拓展至「創作」業務的運用範圍】
 
case30  NHK ART
四十分鐘的彩色化費時約三個月，希望提高效率╱整體而言呈泛黃褐色，是個大問題╱從人工作業的五天到用人工智慧一天完成╱動態多的場景也能順利上色
 
case31  DataGrid
以深度學習來辨識偶像的特徵╱生成「擬真影像」的技術有什麼用處？
 
case32  Spectee
「荒木結衣」是何方神聖？╱在機器學習上加入微調讓發音更流利╱提供適用Alexa的模組拓廣運用
 
case33  LINE
將出現以孫子聲音發聲的智慧音箱？
 
case34  樂天  美國Rakuten VIKI
卓越的自動翻譯背後有高品質的訓練資料
 
case35  Unirobot
適才適所運用深度學習等人工智慧技術╱也分析和運用個性等性格
 
【第六章　理解商業運用關鍵的六大疑問】
 
Q1  應該積極評估運用人工智慧的商務課題是哪些？另外還有哪些具挑戰性的領域？
從業務效率化推動使用╱不以人工智慧為前提╱參考先行案例是否恰當？╱其他公司的成功不保證自家公司也會成功╱人工智慧擅長找出規則性和順序╱看來費工耗時的作業就靠人工智慧╱人工智慧能做的是自動化和模式化
 
Q2  應該運用雲端應用程式介面提供的人工智慧是哪些情況？什麼情況又該研發自有模型？
先在雲端上評估╱盡量輕鬆作業╱使用應用程式介面有哪些課題？╱面對的問題能否靠應用程式介面解決？╱研發適用於商業課題的人工智慧
 
Q3  人工智慧運用在哪類資料比較容易？哪類資料比較困難？
有無後設資料將影響作業工程╱適合運用的資料的六項條件╱思考收集所需資料的機制
 
Q4  在推動人工智慧運用上，公司裡需要有哪些人才？哪些人才應靠外部支援？
需要的人才有四種╱思考從準確率到商業上的意義╱可以運用人工智慧的人才應該了解的技術╱有完整人工智慧教育計畫的Future
 
Q5  運用人工智慧的費用應該如何估算？
首先判斷是否該在前期概念驗證下開發╱以機器學習應用系統的每個生命週期來付費╱分割任務依序判斷是否能實現╱以導入的四個項目和運用的兩個項目來彙整費用╱別吝於在標註上投資╱同樣的專案也會有超過十倍的價差
 
Q6  成功運用人工智慧的關鍵是什麼？
經營的想像力╱業務影響和費用估算╱以多產多死為前提，持續挑戰
 
結語

case10  双日鮪魚養殖場鷹島  Sojitz Tuna Farm Takashima運用人工智慧掌握鮪魚養殖數量，每年減少超過兩百五十小時的作業 鮪魚養殖業的重點之一是正確掌握飼養網籠裡的鮪魚數量，這樣才能計算最理想的餌食需求量。魚餌的開銷占了一半以上的成本。双日與電通國際情報服務（ISID）合作，利用深度學習來掌握鮪魚的數量。據說一開始相關人士認為是「不可能」的挑戰，但經過實測後效果頗佳，已經朝正式研發邁出一大步。 綜合商社双日為了穩定供應日漸減少的鮪魚，二○○八年於長崎縣松浦市鷹島以全額出資的方式成立了子公司双日鮪魚養殖場鷹島，展開鮪魚養殖事業。二○一六年十二月，在和歌山縣串本町取得漁場，該公司成立十年來事業持續擴大。 ◎掌握鮪魚數量至關重要 鮪魚養殖業花三年時間才能出貨，超過一半的成本花在餌食上。因此，如何估算出最理想的餌食量成了首要之務。要推估理想的餌食量，必須正確掌握飼養網籠裡究竟有多少鮪魚。餌食給得太多，造成資源浪費；反之若給太少，又導致鮪魚品質下滑。 双日食料暨農業業務本部食料暨水產部水產事業課專任課長石田伸介說明，「水產業有很多地方還是個人經驗的傳授，業界發展科技資訊化的腳步較慢。假設餌食量差一成，幾年下來數量很可觀。不過，目前仍然普遍倚賴漁夫的經驗法則來訂定餌食量。如果這個部分能夠數據化，沒經驗的年輕人也能輕鬆進入這一行。對於勞動力逐漸高齡化的水產業來說，推動資訊科技化具備各種不同層面的意義。」 然而，計算鮪魚的數量可沒那麼容易。飼養網籠的直徑有四十公尺，最深的地方達二十公尺，相當巨大。鷹島大約有三十處飼養網籠，以不同飼養年分來管理。每一處飼養網籠大約有一千五百尾幼魚，但隨著時間過去，網籠內的情況大幅改變。有些鮪魚死掉，有些其他種類的魚從漁網縫隙鑽進來。過去只能靠漁夫從鮪魚吃餌的情況來判斷大致的數量。 ◎逐格播放影片來計算鮪魚數量 將幼魚放進飼養網籠後，得等到把鮪魚移到另一處飼養網籠時才有機會計算數量。拉開網籠之間的網子，然後由潛水員深入海中拍攝鮪魚通過時的影片。把這幾十分鐘長的影片逐格播放，由工作人員一尾一尾計算，長的時候大概花上五小時觀看。五名工作人員各自進行之後，對照結果推算出一個正確的數量。這是過去採用的方法。