- Jul 15 Wed 2020 18:54
-
30個例子獨家放送-如何用A/B測試來改善UI設計(三)
- Jul 14 Tue 2020 18:40
-
30個例子獨家放送-如何用A/B測試來改善UI設計(二)
- Jul 13 Mon 2020 18:28
-
30個例子獨家放送-如何用A/B測試來改善UI設計(一)
改善UI 設計的方法百百種,這次為你介紹A/B測試,順便分享30個例子給你參考~
UI 設計的知識網站「GoodUI.org」整理分享了許多已經 A/B 測試的 UI 設計，先幫忙把常見的網頁排版都測完，幫助 UI 設計師/網頁設計師們省下許多功夫！
什麼是A/B測試？
A/B 測試（A/B Test）運用了統計學的原理，顧名思義就是眼前有「A 版」與「B 版」兩種方法，為了測試哪種方法能獲得更好的市場反應，將 2 種版本同時上線，將消費者導入 A 或 B 版網頁做測試。
A/B 測試的優點在於可以得到實際的數據，而非依靠主觀意見來決定網站的架構與UI 設計，也能不落傳統思維的俗套。只是各個版本需運行一段時間，待累積足夠的數據，才能確保測試的準確性，也需耗費不少成本。
範例1：嘗試使用單欄排版取代多欄
多欄式排版的 UI 設計有分散頁面焦點的風險，而單欄式排版可以更好地安排內文敘述，同時從上而到下引導讀者的視覺動線也更加直覺，也能避免於閱覽者分心。最後可以安排醒目、富有號召力的內容做結尾。
範例2：在行動呼籲前先給予誘因
在 UI 排版上，先給予像是「送禮」等誘因，是一種基於互惠原則的有效說服策略，同時也是能優化 UX 使用者體驗、改變顧客想法的最簡單方式。即使聽起來似乎很理所當然，但嘗試表現出友善的態度，如一封感謝信、小紀念品等，也能讓網站受眾的 UX 體驗更佳。這個微小的 UI 調整，也許會在未來帶來出乎意料的好處。
範例3：嘗試合併類似功能的欄位，避免版面破碎化
範例4：讓社群證明價值，不要自吹自擂
社群的廣泛好評對於提高轉化率是很好的說服策略，當客戶看到其他用戶支持並討論您的產品服務，會增進他們想深入了解的動機。
嘗試蒐集過往客戶的推薦文、滿意度證明或各種可以佐證的數據證明，並放在網頁上吧！
範例5：不要害怕重複顯示引導指示，只要放在不同位置就好
在跨度大或多分頁的網站中，重複出現讓使用者點擊的行動呼籲是可行的，但當然不是指讓「購買」等按鈕在同一畫面重複顯示10次，這麼做肯定會惹惱使用者……。
重點在於合理規劃欄位分配，因長長的一頁式網頁已相當能被大眾接受，不需像過去一樣，把所有網頁元素都壓縮在一個螢幕大小。所以在一頁式網頁的最上方設置一個適中的點擊按鈕、最下方放置一個醒目的點擊按鈕，也是符合UX使用者體驗的原則。
根據 A/B 測試出來的使用者習慣，當使用者「滑」網頁到最底時，看到可點擊的按鍵，他們會停下來思考接下來要做什麼 —— 例如點下那個「購買」鍵。
範例6：讓「可點擊」和「可選擇」的外觀有差異
為了清楚的引導訪客使用網站介面，UI 設計師要明顯區分出「可點擊」（如連結或按鍵）、「可選擇」（如選單）和純文字的樣式，不只在設計上要有所區別，同時上方描述文字也必須簡潔清楚。可以利用視覺元素，例如：顏色、深淺和對比度等，來達到又美觀又可以區分的效用。
例如以圖例來看，設計師選擇「藍色」做為網站上可點擊按鍵的色調，而選擇「黑色」為當前所在頁面的名稱。簡明扼要的顏色應用就能達到不言而喻的效果。最重要的是：千萬別使用過多的顏色混淆使用者。
推薦閱讀：為落實“數位優先”的UI設計...Audi,福斯竟將LOGO壓扁了!
範例7：突顯最推薦的項目，避免讓所有項目都看起來相同
有心理學研究表示，當人們眼前的選擇越多，反而會陷入一種「分析癱瘓」的狀態，導致從選擇中挑選的機率越低。
UI 設計師為了避免這個困境，比起單純陳列所有的項目，強調突出最主要的商品或服務是更好的做法。
範例8：讓使用者主動選擇「復原」，而不是重複詢問意圖
想像一下，當按下按鍵或連結，網頁可能會出現兩種提示：第一種是在介面底部出現「復原」（undo）鍵，讓你回復至上一步；另一種則是跳出視窗要你「確認即將要進行的操作，確認後無法復原」。這兩者會帶給消費者什麼不同的使用者體驗 （UX）？
跳出視窗要你「確認自己在做什麼」會讓使用者覺得備受質疑，而「復原」提供使用者就算操作錯誤也可以回復到上一步的功能，則會讓人感到友善、包容與尊重。
另外，若使用者需重複的進行某項操作，網頁不斷跳出提示視窗，也讓使用者感到操作效率低下，產生不佳的 UX 體驗。
本篇為「30個使用A/B測試改善UI設計的例子」的第 1 篇，第 2 篇請點此連結
相關閱讀推薦：
人工智慧和人類重機賽車手的對決,最終結果竟然..
現在人工智慧也能讓人與人之間保持安全社交距離了~
被愚弄的AI人工智慧,總算有人要出手相救啦!(上)
特效不夠AI 來湊！迪士尼換臉技術達百萬畫素
Google Analytics「工作階段」定義與範例一次解析！
亞馬遜人工智慧出包 搞混國會議員與罪犯
人工智慧再突破！史上最強解馬賽克技術 64倍解析度還原成無碼
- Jul 09 Thu 2020 01:07
-
透過人工智慧換完臉,竟如此逼真?來看看迪士尼的新玩意!(下)
- Jul 08 Wed 2020 01:03
-
透過人工智慧換完臉,竟如此逼真?來看看迪士尼的新玩意!(上)
今天揭發人工智慧換臉技術的強大!你分辨得出來嗎?
迪士尼近日發表其研究最新「換臉」技術，不但能透過 AI 人工智慧 自動替換照片或影片內的人臉，成像更是突破百萬畫素，研究人員並表示其技術是當前業內最高水準。
雖然目前還無法廣泛應用在電影製作中，但依然是換臉領域的又一突破，並且也逐步規劃登場好萊塢。
迪士尼於自家網頁「迪士尼研究中心 」（Disney Research）上發表一篇文章，公開了與蘇黎世聯邦理工學院（ETH Zurich）研究團隊共同研究的人臉替換技術，能透過神經網絡自動轉換包含影片、照片等圖像中的人臉面孔，解析度可達百萬畫素。
迪士尼「親上火線」研發換臉技術，自然是希望能應用在影視製作上，為觀眾帶來更逼真的畫面、更真實的視覺特效與節省後製成本。
那有望衝擊影視產業、發揮巨大效用的迪士尼換臉 AI 人工智慧 ，實際效果究竟如何呢？
人眼看不出區別 AI 人工智慧 換臉將粉墨登場大螢幕
▲Disney Research 所釋出的官方影片，實際演示 AI 人工智慧 換臉的真實效果。
迪士尼研究中心除了於網站上公開一篇達 16 頁研究報告，亦上傳一支演示影片。
影片可以看到，AI 人工智慧 將下排二位演員的唇部、眼部等局部人臉進行分析，並融合在「目標演員」的面孔上。
從動態影像可以看出融合後的臉部動作非常自然，甚至 AI 人工智慧 能即時隨著口部開閉動作融合，也不會讓觀眾感到違和或不適。研究團隊也強調，比起當前常見的靜態圖像換臉，其技術在動態影像的表現更佳。
▲ 迪士尼的換臉 AI 人工智慧 不只能換臉換得天衣無縫，甚至還有其他換臉 AI 人工智慧 沒有的高解析度。(圖片擷取自 Disney Research)
並且「擅於局部融合」與「高畫質解析度」這兩項特點搭配十分相得益彰，使得迪士尼的換臉 AI 人工智慧 能極大地擴展了人臉替換在電影中的實際應用。
未來有望能省去繁複的後期製作工作，交給 AI 輕鬆完成。諸如交換替身演員的臉孔、為年齡逐漸增長角色增添皺紋或是重現昔日巨星風采，迪士尼就曾在 2016 年的電影《星際大戰外傳：俠盜一號》（Rogue One: A Star Wars Story）中用特殊技術，讓飾演「塔金總督」的已故演員彼得．庫辛及飾演「莉亞公主」的嘉莉．費雪重返大螢幕。
▲ 迪士尼的換臉 AI 使用的漸進式演算法（Progressive TrAIning），可明顯看到經訓練的人臉畫素遠高於未經訓練的結果。(圖片擷取自 Disney Research)
雖然《俠盜一號》的換臉效果令人驚艷，但迪士尼研究人員指出由於技術尚未成熟，不但成本高昂，而且需耗費數個月的時間才能獲得幾秒鐘的成功換臉畫面。而這次研發的新技術，建構好原始模型後搭配上適宜的運算能力，AI 人工智慧 就能在數小時內製作出換臉的動態影像。
除了生動自然，更重要的是換臉後輸出的成果圖像有百萬級畫素的解析度，而局部臉孔交換在動態影片能清晰的呈現，對電影後製的重要性不言而喻。
過去換臉技術因著重在臉部替換的平滑化，對提高畫素則沒有太多重視，導致解析度過低成為過去換臉技術的硬傷，才會出現如「在手機上效果絕佳的換臉影片，投放在更大的屏幕上呈現，卻看到明顯的顆粒與其他瑕疵」的狀況。
那迪士尼研究人員是怎麼實現「百萬畫素換臉 AI 人工智慧」的呢？
本篇為上篇，下篇請點此連結
相關閱讀推薦：
透過人工智慧換完臉,竟如此逼真?來看看迪士尼的新玩意!(下)
組隊打職棒的人工智慧真會出現?或許將來能看著AI打球呢!(下)
人類編輯真會被人工智慧編輯取代嗎?來看看結果是什麼!(下)
線上職訓正夯 從零開始花半年錄取軟體工程師
所有的新創業者都需要 SEO 的 7 個理由！
阿嬤也能coding了？2020人工智慧想對我們做什麼？
人工智慧,機器人,Python,大數據到底有什麼關係？
- Jul 07 Tue 2020 00:59
-
GA工作階段是SEO課程中必出現一環,今天讓我們深入了解(下)
看完上篇的小小SEO 課程,想必你已經知道GA工作階段有多重要!!接著,這篇要教你如何更改工作階段的設置~
使用者因來源變更而結束工作階段
大部分的SEO教學中，應該會都提醒你，當每次使用者的廣告活動來源變更時，Google Analytics 就會開啟新的工作階段。就算是廣告活動來源在現有工作階段仍為「開啟」狀態時 (意即經過的時間不到 30 分鐘) 半途變更，系統一樣會關閉原工作階段並開啟新的工作階段。
▲ 然訪客「未」關掉完成交易的頁面，但是又透過另一個來源（廣告活動）開啟同一個網站，因此新的工作階段啟動。（圖片來源：達內教育 SEO 課程）
承上述訪客 A 的例子，我們知道，最初他是藉由自然搜尋關鍵字「SEO 課程」進入網站的。而現在時間是 13:01，現有的工作階段「Session#2」到期時間為 13:31。在 13:23 時，Ａ又開啟了新視窗，在新視窗內搜尋關鍵字「網路行銷課程」並且在搜尋結果上看到你網站的關鍵字廣告連結。13:24 時，A 由此廣告連結點進你的網站。
雖然此時，現有的工作階段「Session#2」 仍為開啟狀態，且時間還沒滿 30 分鐘，但是因為 A 的行為等同是開啟了新的廣告活動來源，來源從「Google/自然搜尋」變更為「Google/付費搜尋」，所以 GA 系統一樣會關閉原工作階段「Session#2」，並開啟新的工作階段「Session#3」。「Session#3」由 13:24 開始計時，13:54 到期。
A 進行了 5 分鐘的網頁瀏覽互動後，又收到了友人的 Facebook 連結分享，點了連結赫然發現又再度連結進你的網站內！訪客 A 的來源將會從「Google/付費搜尋」變更為「Facebook」，並且重新計算為一個新的工作階段「Session#4」。
由此類推，假如 A 個動作在頻繁一點，就算是再短短的 5 分鐘內從 3 個不同來源一直連到你的網站，她就會在這 5 分鐘內造成 3 個工作階段。
註：直接來源 (direct traffic) 並不會更新工作階段的計算，也不會開啟一個新的廣告活動。
根據晚上 11 點 59 分結束工作階段
GA 預設於晚上的 11:59:59 秒工作階段將會逾時，並開始計算新的工作階段。若上例的 A 於晚上 11 點 59 分在網站內進行 3 分鐘的瀏覽行為，將會被計算為兩個工作階段。
那麼，SEO 能從工作階段看出什麼？
只要訪客一造訪網頁，則會開啟工作階段。只要訪客在 30 分鐘內跟此網頁有任何的互動，Google Analytics 都會從 0 秒開始從新計算 30 分鐘。除非他真的把網頁閒置在那邊超過 30 分鐘都沒有進行互動，否則會一直被計算為同一個工作階段。
工作階段可反應出訪客大略的回訪率。假設我網站今天的造訪人數只有 70，但工作階段卻有203 個，就代表平均每個人都回訪了 2 次至 3 次。
如何更改工作階段的設置
▲ Google Analytics 工作階段預設為30分鐘逾時，但透過此圖所示的步驟，SEO可以更改逾時時間（圖片來源：達內教育 SEO 課程）
位置：GA 左側點選「管理」，然後點擊「資源」下方的「追蹤資訊」打開選單，即可看到「工作階段設定」的選項（如上圖所示）。
從這裡可以更改工作階段逾時的時間設定，至於如何決定工作階段逾時時間，則要根據你的平均工作階段時間長度而定。例如訪客在你的網站平均瀏覽時間為 3-7 分鐘，那你可以將逾時時間設定為 7 分鐘。
本篇為下篇，上篇請點此連結
相關閱讀推薦：
GA工作階段是SEO課程中必出現一環,今天讓我們深入了解(上)
捷克 AI人工智慧新創成金融駭客剋星(上)
"拜託!不要靠我太近!"社交距離人工智慧幫你把關!
線上職訓正夯 從零開始花半年錄取軟體工程師
所有的新創業者都需要 SEO 的 7 個理由！
阿嬤也能coding了？2020人工智慧想對我們做什麼？
人工智慧,機器人,Python,大數據到底有什麼關係？
- Jul 06 Mon 2020 00:28
-
GA工作階段是SEO課程中必出現一環,今天讓我們深入了解(上)
Google Analytics是學習SEO 課程必會聽到的名詞,其中,它的工作階段超重要,讓我們為你介紹一下~
工作階段－GA (Google Analytics) 如何定義網頁？
相信上過 SEO 課程 的人都知道，對於 SEO 來說，GA (Google Analytics) 的「工作階段」可是非常重要的指標。因為 SEO 總是要了解究竟有多少訪客來到自己的網站、產生多少互動行為，而「工作階段」就是能真實反應訪客造訪你網站後「如何互動」的指標，比不重複瀏覽、新使用者等指標更容易反應「訪客如何使用你的網站」。
GA (Google Analytics) 如何定義網頁「工作階段」？
簡單來說，當只要有訪客開始瀏覽網頁時，即是開啟了一個工作階段。
一個工作階段包含了各式各樣的使用者互動：如網頁瀏覽、任何事件的觸發、社交互動、線上交易等。
一個工作階段可以比喻成一個容器，容器內裝了各式各樣東西。每一樣東西，都代表使用者與網站的各種互動行為。
▲ 一個工作階段可以比喻成一個容器，容器內裝了各式各樣東西。每一樣東西，都代表使用者與網站的各種互動行為。（圖片來源：達內教育 SEO教學）
一個使用者可以開啟多個工作階段，多個工作階段可於一天內或是好幾天中發生。一個工作階段結束後，新的工作階段就會被開啟。結束一個工作階段的時間如下：
根據時間決定何時結束一個工作階段：
1. 閒置（使用者網頁開者但是不跟網頁有任何互動）30 分鐘後
2. 當天晚上 11 點 59 分 59 秒
根據來源變更而決定何時結束一個工作階段：
1. 使用者透過某廣告/活動連到網站，離開之後又經由另一個廣告活動造訪該網站。
根據閒置時間結束工作階段
根據預設，一個工作階段會在閒置 30 分鐘後結束 (不過我們可以調整時間的長度，結尾會介紹如何調整)。若這 30 分鐘內，當你進行任何的網頁互動，Google Analytics 都會將此工作階段重新計算，也就是離逾時的時間再加 30 分鐘。
範例
假設你今天有一個販售網路行銷課程教材的網站，訪客 A 在 Google 搜尋頁面搜尋「SEO 課程書」，在搜尋結果上看到你的網站並點進你的網站，Google Analytics 就會開始計時，即開啟了一個工作階段「Session#1」。此時正是中午 12:00。假如 A 開啟網頁之後不久便開始午休（但是未關閉網頁），因此他與網站沒有任何互動，如此過了 30 分鐘（12:30）後，此工作階段「Session#1」就會結束，並於 12:31 時開啟一個新的工作階段「Session#2」。Session#2 預計將於 13:01 到期。
12:40 後，A 午休結束，開始與網站上的元素互動 (例如完成事件、進行社交互動或開啟新網頁)。每次互動發生時，Analytics (分析) 都會重設此工作階段的到期時間 (從互動發生時間開始往後推 30 分鐘)。
例如，12:41 時 A 點了該網頁的「產品頁面」連結，即開啟一個新的互動，導致該網頁的工作階段新設定一個 30 分鐘的期限。因此本來預計將於 13:01 到期的 Session#2，延至 13:11（12:41+0:30 = 13:11）到期。
12:55 時，Ａ在頁面上看到了一款不錯的 SEO 教學書籍，並加入了購物車，又觸發了新的互動事件。由此類推，Session#2 到期的時間又延至 12:55+0:30 = 13:25 到期。13:01 時，A 完成交易，Session#2 到期的時間又從 13:25 延至 13:31。
▲ 此範例的整個過程，可簡化成此流程圖。第一個工作階段因為閒置時間超過 30 分鐘，超過 30 分鐘就到了第二個工作階段。第二個工作階段中包含了四個互動，每一次的互動都會將工作階段延後 30 分鐘。（圖片來源：達內教育 SEO課程）
使用者因來源變更而結束工作階段
每次使用者的廣告活動來源變更時，Google Analytics 就會開啟新的工作階段。就算是廣告活動來源在現有工作階段仍為「開啟」狀態時 (意即經過的時間不到 30 分鐘) 半途變更，系統一樣會關閉原工作階段並開啟新的工作階段。
▲ 然訪客「未」關掉完成交易的頁面，但是又透過另一個來源（廣告活動）開啟同一個網站，因此新的工作階段啟動。（圖片來源：達內教育 SEO課程）
- Jul 02 Thu 2020 20:22
-
人類編輯真會被人工智慧編輯取代嗎?來看看結果是什麼!(下)
所以人工智慧能完全取代人類編輯嗎?看完這篇你大概也有答案了!
人工智慧臉部辨識 不易分辨有色人種
▲ 被亞馬遜「Rekognition」 臉部辨識系統錯認的 28 位國會議員
其實人工智慧在辨識有色人種時，似乎常常犯錯。
如 2018 年，美國公民自由聯盟（American Civil Liberties Union，ACLU）就對亞馬遜提供的「Rekognition」 付費臉部辨識服務做了一項測試。
ACLU 蒐集了 25000 張嫌犯照片做為臉部辨識的資料庫，並使用預設的設定，讓 Rekognition 逐張比對國會議員和資料庫裡的嫌犯照片。結果，最後有 28 名國會議員被誤判，且在誤判的議員中，竟有高達 40% 的議員是有色人種 ── 即便有色人種在全部的國會議員中只占了兩成。
▲眾議員 Sanford Bishop（D-Ga.）被 Amazon Rekognition 臉部辨識系統錯認為罪犯
然而，「Rekognition」 臉部辨識系統也被美國警方使用。這是否會在不知不覺中侵犯到有色人種的權益？目前亞馬遜已因此問題，暫停提供這套系統給美國政府使用。
現有的臉部辨識技術，在分辨有色人種特別容易出錯，也許是以下原因導致：
AI資料庫的白人照片比較多
美國喬治城大學法律中心（Georgetown Law School Center）的隱私與科技領域資深助理 Clare Garvie 表示，原因可能是出在工程師建立 AI 人工智慧的臉部辨識資料庫時，提供的白人照片比有色人種多而導致。
開發工程師以白人居多
一個研究顯示：人們在辨識另一種族的人員時，準確度會低於辨識與自己相同種族的成員。 而大部分 IT 產業的工程師以白人男性居多，他們開發出的臉部辨識系統在辨識有色人種的準確度時，無形中也比白人還差 ── 即使他們無意為之。
其時除了臉部辨識的問題，使用人工智慧來取代真人撰寫、改編新聞，本來就爭議連連：
過去英國《衛報》曾將一則關於英國脫歐的新聞中，第一段中的一些句子餵給人工智慧，結果 AI 馬上產生「可信度高」的假新聞與文章 ── 文中的人名 (如政壇人物的名字)、地名與所提到的片段事件皆為真實存在，不過新聞的內容卻是將這些真實的元素移花接木而成，但是卻符合邏輯，因此易被有心人士用來製造假新聞。(詳細報導：AI寫作能力強過人類，恐成為假新聞製造機?)
人工智慧太會捏造新聞，甚至有人懷疑之前馬斯克離開自己創立的 AI 人工智慧研究團隊「OpenAI」與此有關呢！(詳細報導：馬斯克宣布離開 OpenAI 的真正原因是...研發的 AI 太會寫假新聞?)
無論如何，人工智慧畢竟沒有靈魂，因此沒有明辨是非的能力，所以它產出的文章多少都會與現實有些出入。
也就是說，最好的方法還是把人工智慧新聞的編輯、審稿工作交還給人類，畢竟這世界八卦與謊言已經夠多了！我們需要真實的東西呀！
相關閱讀推薦：
看來人工智慧新聞編輯能力還不及人類!它竟出這種包!?(上)
人工智慧的重機賽車手,它可不是你想像中的那樣呢!
如何防禦AI人工智慧被誘騙?這間公司教你!(上)
線上職訓正夯 從零開始花半年錄取軟體工程師
Python vs R語言：哪個比較適合人工智慧／機器學習？
台灣本土開發AI 發行首張音樂專輯<<武漢肺炎>>
六個月從工地工人轉職 Java 軟體工程師，全因半年做了「對的決定」
- Jul 01 Wed 2020 20:11
-
人類編輯真會被人工智慧編輯取代嗎?來看看結果是什麼!(上)
你聽說過微軟的人工智慧新聞編輯嗎?這次讓我們來看看它出的包..
微軟用人工智慧編輯新聞！全球近百名員工飯碗不保？
日前微軟公司宣布：要讓 AI 人工智慧取代旗下近百位「真人」新聞記者與編輯，來為微軟新聞、MSN.com 等管道，挑選、編輯新聞。根據 Business Insider 報導，美國有約 59 人遭裁撤；衛報也則提到英國也有約 27 人遭裁，還有其他國家地區的辦公室，也有許多員工面臨飯碗不保的窘境。
沒想到這個 AI 人工智慧才上線一個月就出包，還牽扯到近期非常敏感的種族議題，引發人們對人工智慧的編輯新聞能力、整體臉部辨識科技的疑慮。
▲ 普林斯敦大學的研究團隊結合人工智慧新聞編輯混淆了英國兩位有色人種歌手：Leigh-Anne Pinnock（左）和 Jade Thirlwall（右）。
人工智慧錯置新聞配圖 女歌手指名「請加油吧」
根據英國《衛報》指出，微軟旗下的 MSN 新聞網站，近日轉載了英國《獨立報》有關英國流行女團 Little Mix（混合甜心）的報導，內容是關於其中一位成員 Jade Thirlwall 過去在學校中遭受種族歧視的心路歷程。
雖然這是一篇單純的採訪報導，但經過微軟的 AI 人工智慧編輯轉載後，沒想到，新聞配圖竟然不是採訪的對象 Jade Thirlwall，而是同團的另一名團員 Leigh-Anne Pinnock 與另一名男性的合照！
▲ 被人工智慧錯置配圖的新聞主角 Jade Thirlwall 在 IG 上表達對 MSN 新聞的不滿
AI 人工智慧造成的烏龍，不意外地，引發新聞主角 Jade Thirlwall 的不滿。她在 Instagram 上標註 MSN 並抱怨說：「@MSN 如果你們要複製貼上別家正確的媒體文章時，應該要確認一下配圖是否為正確的有色人種團員」。她還補充說：「這讓我很生氣，你們竟然沒辦法從只有 4 人團體中，區分 2 個有色人種女性？請加油吧！」
目前尚不清楚讓微軟 AI 人工智慧犯下如此錯誤的原因，但微軟在新的聲明中表示：這不是「演算法偏見(註解如下)」的結果，而是自動化系統中的新功能測試。
PS：所謂的「演算法偏見(algorithmic bias)」是指在看似沒有惡意的程式設計中，卻帶有程式設計人員的偏見、或者採用的數據是有偏見的。
「演算法偏見」的結果，當然帶來了各種問題：如 Google 搜尋被曲解、合格的考生無法進入醫學院就學、聊天機器人在推特 (Twitter) 上散佈種族主義和性別歧視資訊等等。
相關閱讀推薦：
人類編輯真會被人工智慧編輯取代嗎?來看看結果是什麼!(下)
AI界就少了他就不一樣了!-台灣人工智慧學校執行長陳昇瑋辭世!
儘管放心吧!狗狗會是人工智慧很好的教練的!(上)
線上職訓正夯 從零開始花半年錄取軟體工程師
Python vs R語言：哪個比較適合人工智慧／機器學習？
台灣本土開發AI 發行首張音樂專輯<<武漢肺炎>>
六個月從工地工人轉職 Java 軟體工程師，全因半年做了「對的決定」
- Jun 30 Tue 2020 01:29
-
史上最強的解馬賽克技術出現了,人工智慧再創奇蹟~
人工智慧真的能解開有馬賽克的照片嗎?其實這已經不是先例!
例如之前 Google Brain 發表了透過機器學習消除馬賽克、提高像素的技術。而最近，AI 去除馬賽克的技術又有了新的突破！
近日杜克大學的研究人員開發了一種 AI 影像還原工具，可將模糊到無法辨識的人像轉化為令人信服的高清圖片，而解析度與細節的表現可說是史上最強！
以往的技術，可將圖像的解析度提高至八倍。但是杜克大學的研究團隊想出了一種人工智慧的解決方法：只需要少少像素的模糊照片，就能創造出解析度高達 64 倍逼真的高清肖像，原圖看不到的細紋、睫毛以及鬍渣等細節都一覽無遺！
▲ AI 技術 「PULSE」 可將模糊的馬賽克照片轉換成看起來像真人的高解析度肖像。 該系統能自動將任何圖像解析度提高到64倍，並模擬毛孔、睫毛位置與形狀等在原圖無法辨識的細節。
「過去從未能在這樣的解析度(指原圖的低解析度)上，生成如此高清、如此多細節的圖片！」此次研究團隊的領導人──杜克大學的電腦科學家 Cynthia Rudin 說。
不過這個系統仍然無法用做人物辨識，研究團隊說：它無法將監視器拍到的失焦或是無法識別的照片變成真實、清晰的圖像。相反地，它可以生成不存在、但看起來真實的新面孔。
「研究員們專注於將這些面孔作為新的概念，但理論上，該技術可在拍攝幾乎所有物體的低解析度照片後，製作出清晰逼真的圖像。應用範圍涵蓋醫學，顯微鏡，天文學和衛星圖像。」 研究團隊的 Sachit Menon 說。
▲ 人工智慧「PULSE」能還原眼、口、鼻等部位都難以辨識的馬賽克圖片，並將原圖的解析度拉高至 60 倍！
傳統的影像修復方式為擷取低解析度的圖像後，將它與電腦之前看到的高解析度圖像的對應像素，試著撮合、匹配、平均化，藉此來補足像素。
這種「平均化」的結果是，頭髮和皮膚中的紋理區域可能無法從一個像素到另一個像素完美對齊，最終看起來模糊且朦朧。
杜克大學的團隊就不使用這種「在低解析度的照片上慢慢加新的細節」的方式。他們研發的系統 「PULSE」 會在人工智慧生成的高解析度率臉孔範例中，盡可能找到最像的──在範例臉孔縮放到相同尺寸時，看起來像輸入的原圖的人臉。
團隊使用一種機器學習的工具「生成對抗網絡（英語：Generative Adversarial Network，簡稱GAN）」，方法是使用相同的照片組訓練兩條神經網路。其中一條神經網路產生了人工智慧創建的人臉──其外觀是模擬訓練照片上的臉孔；而另一條網絡則用於判斷第一條生成的結果，是真實的人像還是虛擬人物。第一條網路不斷生成人臉，直到越來越逼真，以至於第二條誤認成是真實的人像為止。
PULSE 可將模糊不清、充滿雜訊或是馬賽克化的圖片，生成高擬真的照片。從一張模糊的肖像中，它生成了許多令人難以置信、栩栩如生的照片，每張照片都不一樣，都是 PULSE 判斷模糊照片中的人物可能的真實樣貌。
即使是給眼睛與嘴巴幾乎看不到的馬賽克照片，「我們的演算法仍然可以用它來生成一些照片，而這絕對是傳統方法無法做到的。」團隊中的 Alex Damian 說。
▲ PULSE 的 5 位研發成員將自己的照片「馬賽克化」後，「餵」給 PULSE 來還原照片。雖然 PULSE 合成的高清肖像與原本的有點出路，但是相似度已比過往的解碼方法還高，解析度更是高出許多。
該系統能在短短幾秒內，將 16x16 像素的肖像轉換成 1024 x 1024 像素，整整增加了超過一百萬的像素，幾乎等同於 HD (High Definition) 高畫質的解析水準。諸如像是毛孔、皺紋、髮絲等低解析照片無法察覺的細節，都在人工智慧生成的照片中，變得銳利又清晰！
研究團隊還請了 40 個人，對經由 PULSE 以及其他四種方法 (LR、BICUBIC、FSRNET、FSRGAN) 生成的 1440 張圖像，進行 1 到 5 的評分。結果是由 PULSE 生成的照片分數最高，得到了「幾乎與真人的高解析度照片一樣」的評價。是不是很厲害！
最後，你也可以上載你的圖像，看看會被 PULSE 生成哪些驚人的結果！請點：http://pulse.cs.duke.edu/.
相關閱讀推薦：
讓狗狗來當人工智慧的教練?是的!沒在開玩笑!(下)
人工智慧的重機賽車手,它可不是你想像中的那樣呢!
痛失英才!讓我們一起懷念為人工智慧貢獻良多的陳昇瑋執行長!
線上職訓正夯 從零開始花半年錄取軟體工程師
Python vs R語言：哪個比較適合人工智慧／機器學習？
台灣本土開發AI 發行首張音樂專輯<<武漢肺炎>>
六個月從工地工人轉職 Java 軟體工程師，全因半年做了「對的決定」
- Jun 29 Mon 2020 01:41
-
駕駛盲區好困擾,別擔心,人工智慧或許可以解決!
人工智慧和汽車偵測雷達做結合啦!是不是之後就不會有駕駛盲區了呢?
普林斯敦大學的研究團隊將人工智慧與用於追踪超速駕駛的雷達結合，開發出一種系統，該系統可使車輛發現街角轉彎處隱藏的危險，如下圖所示：
▲ 普林斯敦大學的研究團隊結合人工智慧雷達，開發出可使車輛發現轉角隱藏危機的系統
研究人員利用常用來追蹤超速駕駛和快速直球的測速雷達，結合人工智慧技術，開發了一種自動化系統：可讓汽車在街角轉彎處監視四周環境、發現迎面而來的車輛、行人。
這個系統易於整合到汽車上，使用都卜勒雷達（註：Doppler radar，一種雷達，可利用都卜勒效應，測量物體在雷達波方向上的徑向運動速度，常用於氣象觀測與測速。）將無線電波從建築物、車體的表面反射回去。
雷達訊號會以特定的角度，照射到物體表面後反射回去，就像是撞球的白色母球撞擊到球台壁後反彈回去一樣。雷達訊號會持續照射藏在街角轉彎處的物體，然後反射回來的訊號會被車上安裝的探測器偵測到，使系統能看到轉角的物體，並且判斷它是在移動還是靜止。
「這將使汽車偵測到今日許多光學雷達 (lidar) 與相機的感光元件無法記錄到的被遮蔽物，例如，讓一台自駕車在十字路口上環顧四周的危險物體，」普林斯頓大學的電腦科學助理教授、也是此次研究人員之一的 Felix Heide 說：「雷達感應器的成本也相對較低，尤其是與光學感應器相比，而且也可以量產。」
研究人員在 6 月 16 日的電腦視覺與模式識別（CVPR）會議上發表了一篇論文，提到這個系統如何分辨汽車、自行車以及行人，並判斷他們的方向以及迎面而來的速度：「我們提出的方法能在現實世界的自駕情境中，在視線感應器偵測到他們以先，就為行人以及騎自行車的人預先發出碰撞警示。 」
近年來工程師們已開發出許多能讓車子偵測到路上異物的感應系統。但其中有許多，都是靠著光學雷達、可見光或是近紅外光的相機，這種防止碰撞的感應器在現代的汽車中很常見。但是光學感應很難發現到汽車視線之外的物體。在早些的研究中，Heide 的研究團隊曾使用光照來看見藏在角落的物體，這種技術但卻很難應用到汽車上，因為需要高功率的雷射且僅限於近距離使用。
近年來工程師們已開發出許多能讓車子偵測到路上異物的感應系統，但其中有許多都是靠著光學雷達、可見光或是近紅外光的相機，這種防止碰撞的感應器在現代的汽車中很常見。但是光學感應很難發現到汽車視線之外的物體。在早些的研究中，Heide 的研究團隊曾使用光照來看見藏在角落的物體，但卻很難應用到汽車上，因為需要高功率的雷射且僅限於近距離使用。
在過去的研究中，Heide 及團隊人員想知道是否有可能創建一個系統，使用成像雷達而不是可見光，來檢測汽車事件之外的危險。對於雷達系統，在平滑表面上所耗損的信號是少得多了，且雷達是被證實可以用來追蹤物體的科技。他們所面臨的挑戰是，當雷達用於拍攝轉角處的汽車與自行車等物體時，其空間分辨率相對較低。然而，團隊相信他們可以開發出演算法來解譯雷達數據，以讓感測器發揮功效。
「我們開發的演算法很有效、並適合當代的汽車硬體系統」Heidi 說：「所以你可能會看到這項科技出現在下一代的汽車上。」
為了讓這個系統能分辨物體，Heide 的團隊處理了部分雷達信號，亦即能將背景噪音視為非可用信息的一般雷達。團隊應用了人工智慧技術來優化處理程序以及讀取影像。論文作者之一的 Fangyin Wei 表示：運行該系統的電腦，必須學會從非常少量的數據中，識別出騎自行車的人和行人。
她說：「首先，我們必須要偵測是否有物體。如果有的話，那他是否重要？是否為騎單車的人或是行人？接下來，先讓我們將其定位出來。」 Wei 還表示：該系統目前能夠檢測到行人和騎自行車的人，工程師們都認為他們是最具有挑戰性的物體！因為他們的尺寸小、形狀不一、動作又多樣。當然，該系統也能偵測到汽車～
Heidi 說，研究人員計劃在雷達和信號處理改善等多種應用上，進行研究。他說這個系統擁有完全改善汽車安全的潛力，且它是靠著現有的雷達傳感器技術就可做到，因此下一代汽車可望能部署雷達系統。
「這肯定會經歷到非常嚴峻的汽車開發週期」他說：「就整合與推向市場而言，它需要大量的工程與設計。但是技術已經準備就緒，因此我們可能很快就會在汽車上見到這樣的景況。」
推薦閱讀：AI 自駕車不只有特斯拉！9 個人工智慧帶來的汽車產業革新
- Jun 24 Wed 2020 00:00
-
害怕人與人的社交距離靠得太近?人工智慧幫你站哨!
人工智慧幫你把關和他人的社交距離!看看這次它們怎麼做的~
「AI 大神」吳恩達旗下公司 Landing AI 開發的「社交距離檢測工具」，則是另一項與疫情有密切關係的 AI。
為了幫助疫情期間依然得持續工作、因某些原因非得外出的民眾以及阻止疾病蔓延，Landing AI 開發了最新 AI 工具確保大家能維持社交距離，該工具透過攝影機拍攝的即時影像，並同步分析檢測在公共空間的人們是否處於安全距離。
這款 AI 工具會偵測所有經過空間的行人，並在每個人身上畫出一個綠色方框，當有人靠得太近，框框就會變成紅色，在靠得太近的兩人之間畫出紅線，並發出警訊，提醒人們遵守安全距離規定。
▲ 影片中可以看到探測器偵測每個行人，距離過近就會被標上紅框
根據Landing AI 公開的演示，人工智慧的運作，需要經過「校正、檢測、測量」三個步驟。
第一步－「校正」：
將透視圖轉換為俯視圖。最簡單的標定方法是在透視圖中選擇四個點，將其映射到俯視圖中矩形的角上。
▲左邊為原始透視圖，覆蓋著校正網格；右邊是鳥瞰圖，街道兩邊完全平行於綠色網格。圖片為 Landing AI 官網示意圖。
第二步－「檢測」：
將檢測到的行人應用於透視圖上，在每個行人周圍繪製邊框。為了簡潔化，團隊使用基於 Faster R-CNN 的開源行人檢測網絡。為了清理輸出的邊框，團隊使用最小化後處理，如非極大值抑制（NMS）和各種基於規則的啓發式算法，並選擇基於現實假設的規則，減少過度擬合的風險。
▲ 《武漢肺炎》專輯共九首曲子，是台灣有史以來第一張全部 AI 生成的音樂專輯。。
第三步－「測量」：
給定每個人的邊框。由於在「校正」那一步輸出針對地面的變換，需要將所述變換應用到每個區域的底部中心點，從而得到他們在俯視圖中的位置。
▲距離過近的人們除了顯示紅框外，也會多顯示出一條線以強調。
最後測量出人與人之間的距離，並根據校正估算出的係數縮放距離。用紅色方框標注出安全距離以內的人們，並在兩者之間畫一條線來強調。
即使 Landing AI 強調使用使用這款工具應該公開透明，使用之前必須得取得被監控人的同意，同時也稱，該系統不會辨識個人身分。
但人類對AI始終無法全然放心，因此依然有不少評論顯示出對影像監控工具的擔憂。有的評論甚至表示，若是在工作場域，即使員工不同意老闆使用這款工具也很難提出反對。
但 Landing AI 的初衷是為了在疫苗研發出來之前，盡可能透過保持社交距離來抑制疫情的蔓延，而 人工智慧 對影像分析與追蹤技術的發展助益，無疑為未來的公衛領域拓展出新的可能，在考量隱私和個人權利問題時，也要正視科技增進了全體人類的福祉，以免因噎廢食。
推薦閱讀：【AI在瘟疫蔓延時】台灣 AI「雅婷」化身音樂家 發表首張專輯「武漢肺炎」
