我們知道，要完成一個AI專案必須要有模型或是演算法再加上資料。許多人在投入AI專案或是開發系統時，通常會將大部份的精力投入模型調整或是演算法上，以獲得最佳的結果。但是，Landing AI創辦人吳恩達從自己的專案經驗發現，許多問題不是只有調整程式就能解決，而是要系統性的提升資料品質。

本期電子報中，將與讀者分享吳恩達對於模型與數據的看法，如何透過完整的系統流程，幫助機器學習專案團隊能進行業務、工程與營運等多個團隊的溝通與合作。此外，除了模型與演算法，導入AI專案更重要的是找問題的能力，透過AIF本期內部讀書會所討論的《QBQ！問題背後的問題》，提供讀者尋找問題的方法。

要好數據還是好模型？吳恩達這樣說

科技帶動人工智慧等技術的進步，不僅幫助數據的收集與處理，各種厲害的演算法不斷突破。但實際上，除了電商及網路服務能取得大量數據之外，仍有許多產業的資料量並不大，Landing AI創辦人吳恩達認為，機器學習工程師應該將 80% 的工作放在資料準備上，以確保資料品質，這番說法也讓許多人重新思索數據與模型的關係。

解決問題的能力，決定人工智慧專案的品質

面對AI浪潮，許多人將重點放在演算法的學習上，但演算法只是人工智慧的一小部分，學會尋找問題並且定義問題，才是決定人工智慧品質的關鍵。人工智慧基金會（AIF）本月內部讀書會主要探討解決問題的方法，透過《QBQ！問題背後的問題》一書深入淺出地闡述了企業經營的道理，同時也幫助讀者學習如何利用QBQ解決問題。

NLP技術大躍進的關鍵－Transformer 實戰工作坊

一直以來，電腦視覺與自然語言處理分別由CNN與RNN模型所主宰，直到Transformer模型帶來自然語言處理(NLP)技術的大躍進，更跨界進軍電腦視覺(CV)領域。想了解Transformer模型是如何攻克NLP與CV領域嗎? 本工作坊將手把手教戰，以Transformer-based深度學習技術為軸，透過深入淺出的講解加上簡易實作讓學員從基礎理論到進階應用發展完整掌握。