1. WHY
   1. 改善效率，提高生產力
      1. 提升分析質量與決策品質
      2. 引導服務升級
2. WHAT
   1. 無法定義因果關係
      1. 從來沒答案的事 AI 一樣沒答案
   2. 只能察覺關聯關係
      1. 找到人類認知、經驗以外的關聯性
   3. 機器學習
      1. 界定方式
         1. 監督式學習
         2. 非監督式學習
         3. 增強式學習
         4. "資料品質" 為成敗關鍵
      2. 深度學習
         1. 可 "自動" 進行特徵工程才是深度學習
            1. 特徵工程的難度
         2. 沒有標準答案的特徵工程最適合深度學習
      3. 補充
         1. 機器學習與統計方法類似但目的不同
         2. 資料與運算可與專家互補
         3. 資料越多深度學習表現越可靠
   4. 認知前提
      1. 先找對方向再發展 AI，發展強人工智能（專精一個領域）
      2. 沒數據就沒 AI，且並非有數據就能產出 AI（資料要有品質）
      3. 不要忽略資料成本
      4. 統計圖表與機器學習互補
      5. AI 產出的品質需不斷的優化迭代（實驗文化）
      6. AI 導入並非就能解決問題
      7. AI 導入不一定造成企業流程的改變
      8. AI 導入並非只是 IT 部門的事，需相關利益部門整合﹑發展 AI 策略
         1. 小企業先把事業基本盤打好
         2. 平穩成長的大企業應盡快導入
3. WHERE
   1. 擁有海量數據的地方
      1. 在既有大量客戶累積數據的服務上
      2. 算法開源，其何攻守？
         1. 演算法大同小異
         2. 重要在於數據的收集﹑模型的訓練（基於數據）
   2. 產業 AI 化 （基於數據量大這個前提）
      1. 製造業
         1. 瑕疵檢測
         2. 自動流程控制
         3. 預測性維護
         4. 原料組合最佳化
         5. 案例
            1. 緯創集團旗下緯謙科技：導入具有 AI 的 AOI（自動光學檢測）設備， 可精準檢測出主機板上極細微的雜質、刮痕與義務，並將準確率從50％提高至90％， 同時，透過機台內建生產回溯系統，回溯源頭找出生產異狀，也可大幅降低額外的人工檢測成本
      2. 零售金融最適應用
         1. 圖表式決策的誤導
         2. 核心業務決策
         3. 推薦系統與個人化文宣
      3. 金融應用
         1. 風險
            1. 信用、市場、流動、作業風險
         2. 行銷
            1. 廣告及個人化文宣
         3. 服務
            1. 人機互動介面、產品推薦、理財規劃
         4. 市場
            1. 市場撮合、投資工具、
            2. 商模創新
            3. 數位支付、P2P交易、群眾募資
         5. 補充
            1. 導入難度思考：業務涵蓋率、應用深度
         6. 案例
            1. 凱基銀行：使用微軟 AI 解決方案建立 AI 模組，將分散在集團內的各子公司客戶交易記錄在節點，用以擬定企業決策（如信貸額度評估、降低呆帳機率等）
      4. 網路書店與出版業
         1. 讀者差異與樣貌分析
         2. 關聯與因果的界定
         3. 聚焦型分析
      5. 決策預判
   3. AI 產業化 （基於了解 AI 優勢這個前提）
      1. AI 晶片
      2. AI 雲平台
      3. SaaS 解決方案
   4. 樣本數 與 情境相關性
      1. 與情境無關 AI 最擅長 （單一流程與條件的環境）
         1. 車流計算、車牌辨識、瑕疵檢測、人臉辨識、診斷病情
      2. 與情境高度相關 AI 不易發揮
         1. 信用卡盜刷、個人化行銷、程式交易、自駕車﹑對話機器人
   5. 我方可提供價值之處
      1. 主動：對資料解讀的提供
      2. 被動：對產業資料的解析輔助
      3. 透過工具實施
         1. 如 PowerBI
4. WHICH
   1. 人機協作
      1. 截 AI 之長補能力之短，讓 AI 成為最佳助理
   2. AI 無法取代的工作
      1. 面對面溝通
      2. 決策類
         1. 不可量化的
      3. 創造類
         1. 無中生有的
   3. AI 可執行的工作
      1. 行政
         1. 有規則可循
      2. 溝通
         1. 非當面
      3. 決策
         1. 可量化
            1. 可影響決策值Y的情境與條件，大多可被量化紀錄為觀測值X
            2. 成對的觀測值X與決策值Y數量夠多且品質夠好
            3. 觀測值X與決策值Y的關聯是穩定的
         2. 不可量化
            1. 仍依領域專家判斷
      4. 創造
         1. 有邏輯的創意
         2. 以模仿與排列組合為主
   4. 挑戰
      1. 思維定識
         1. 先還清技術債再談 AI
            1. 需研發收集與刷洗資料所需的技術
            2. 需整合工具或平台
            3. 資料的的分析
            4. 模型的建立
            5. 決策圖表的呈現
         2. AI 基於 ROI 可能會失焦於找出真正問題
         3. 建立資料驅動的決策文化
      2. 實際問題
         1. 人才缺乏
         2. 資料基礎建設不足
         3. 不易找對問題
         4. 產學間的鴻溝
      3. 打造 AI 團隊
         1. 資料科學家連結資料與商業價值
         2. 訓練內部員工成為雙軌人才
         3. 培養 AI 基本技能
5. WHO
   1. NIPS（Neural Information Processing Systems）
   2. ICML (International Conference on Machine Learning)
   3. AAAI (Association for the Advancement of Artificial Intelligence)
   4. IJCAI (International Joint Conferences on Artificial Intelligence)