Hidden Technical Debt in Machine Learning Systems (機器學習系統中隱藏的技術債務)

D. Sculley, Gary Holt, Daniel Golovin, Eugene Davydov, Todd Phillips, Dietmar Ebner, Vinay Chaudhary, Michael Young, Jean-Franc¸ois Crespo, Dan Dennison, Hidden Technical Debt in Machine Learning Systems, Proceedings of the 28th International Conference on Neural Information Processing Systems, 2015, Pages 2503-2511.

由上圖所示，機器學習程式 (ML code) 只佔機器學習系統中的一小部分。作者們使用軟體工程技術債務 (Technical Debt) 的概念，說明潛在大量的持續維護成本 (massive ongoing maintenance costs) 和解方，例如資料變化導致模型的錯誤等等。

潛在的挑戰和痛點也帶來新的機會，有不少企業便是針對其中的一部分提供相關的解方，也適合正在開發系統者一讀，以窺全貌。 

10 年砸 466 億、東部返鄉票僅增 304 張

文 嚴文廷，攝影 蘇威銘，設計 黃禹禛，共同採訪 陳麗婷、林雨佑，買錯車、施錯工，10 年砸 466 億、東部返鄉票僅增 304 張，報導者，2019.1.24 

決策連環錯
錯誤1：提高車速≠提高運量
錯誤2：雙軌化、電氣化優先順序錯置
錯誤3：延遲的第四代售票系統 

東部鐵路運輸真正需要投資的關鍵，不在列車，而在基礎建設。不願具名的台鐵內部官員直指，東部幹線無法加開班次，主要在於列車無法「暢通」行駛，「卡」在4大站的瓶頸點：

1. 縱貫線樹林到七堵間，東西部幹線路線重疊易「堵車」
2. 宜蘭線彎道多、車站設計不佳，無法待避讓快車超車
3. 北迴線易遭遇「台鐵金雞母」貨運列車擋路
4. 台東線僅有5個路段雙軌化，增加排班難度

參考之前的鐵路排班一文。  

宜鼎國際的智慧排程與數控技術

熊毅晰，如何一次滿足2700家客戶？宜鼎自創「i發單」　省下一半換產線時間，天下雜誌665期，2019-01-14

根據市場研究機構顧能（Gartner）去年的統計，專注生產工業用等級記憶體模組與儲存裝置的宜鼎，市佔率全球第一。 

從工控、航太、交通、博弈等，全球各領域直接往來客戶超過2700家的宜鼎，少量多樣、高度客製化，是其行業最重要關鍵能力。 

以記憶體模組廠最主要的表面黏著技術（SMT）產線為例，一般大量生產的同業，當新產品上線後，通常至少一個月都不輕易更換，但宜鼎每一條產線每月換線次數平均達500次。... 

宜鼎董事長簡川勝透露，為了在無法避免的頻繁換線中，創造更高生產效能與良率，宜鼎約三年前開始收集機台數據，進而運用人工智慧分析大數據，去年開發出「i發單」平台。 

自動判別最佳生產線
該平台最厲害之處，就是智慧排程。除了能自動判別什麼樣的產品最適合哪一條產線生產，更進一步做到有效預測，把客戶預測失準的影響降至最低。 

宜鼎品保處經理陳怡全透露，自「i發單」上線後，平均換線時間從過往約30分鐘，到現在只要20分鐘，宜蘭廠因為設備更新，「只要15分鐘。」

作業管理的四大性能指標：品質、彈性、價格、速度。天下雜誌 665 期描述最新的發展，近幾年，美德日因為技術進步，報價竟然低於台灣，所以彈性和智慧製造變得很重要。 

精準施肥、驅蟲全年無休 小農一人都搞定

黃亞琪，精準施肥、驅蟲全年無休 小農一人都搞定，今周刊，2019-01-23

玩味的是，泥土和空氣中隱藏的「詭譎迷離」，是肉眼看不見的。然而，陳健章堅信著古老智慧，也倚重著科技解決問題的威力。「智慧化還是要流汗的。」他解釋，這裡插了約一百支的感應器，從泥土下的溫度、地底鑽的蟲子，到土地上的溼度、酸鹼值，都是被蒐集的數據；空氣中飄散的粉塵、風向、紅外線等變數，也不放過。...

Python 機器學習

幾年前教大四資料探勘，使用 R。

受到 AlphaGo 的影響，注意到 TensorFlow 強大的功能，所以去年研究所的機器學習改用 Python。任教的過程中，發現學生的學習曲線較高，所以今年改用 Keras。

機器學習分成問題、數學、和程式。有的課程只教一個面向。在新版的資料探勘課程中，依然採用三者合一的教學，上課影片和上課資料 (作業檔) 在此。

如何在深淺度之間取得平衡，花了些心思，參考的資料包括一堆教科書、線上課程、論文、新聞和產業工作。