精選書單, 觀點 為什麼我們願意花時間排隊？找出人類行為背後的原因 為什麼明明已經很多人排隊的店，往往會有更多人願意花時間也跟著排？看起來創新的技術，為什麼一開始敢採用的人不多？還有，導入AI時很多企業會問：那其他公司都做哪些AI專案？這些看起來不同的情況，其實背後可能有共通的原因。
觀點, 精選書單 你的商業模式過時了嗎？掌握持續創新價值的高效方法 我們都知道，新冠肺炎疫情對全球企業帶來了存亡的威脅，另一方面也幫助領導者得以用新的思維來看待他們的商業模式。受到疫情影響的企業主或經理人也許都曾思考過一個問題：「我現在能做什麼？」可能的選項包括：1、關門大吉；2、降低成本僅供維持最低限度的運作，以延長營業時間；3、等待轉機；4、改變公司短期與長期的商業模式。
觀點, 精選書單 NPO也需要創新嗎？如何跳脫傳統運作限制擴大影響力 許多商業或是科技公司多半認同「不創新，就滅亡」，但在社會公益領域也是如此嗎？許多懷抱著改善貧窮、環境保育等崇高使命的組織，往往為了籌募資金、改善短期問題而疲於奔命，又怎麼有辦法能探討創新、精實效率的方法以發揮影響力？
觀點, 精選書單 面對指數型成長威脅，AI時代給組織領導者的競爭策略 即使我們已經知道新型組織型態的崛起無可避免，但依然容易忽視新進競爭者所帶來的威脅。不同產業中已有許多數位型公司（digital firms）衝撞傳統型公司的案例正在發生，例如螞蟻科技集團衝撞傳統銀行業、YouTube及網飛（Netflix）衝撞傳統娛樂業、Airbnb衝撞傳統旅館業，在這些衝撞的過程中，我們可以看到當一個指數型系統發展至飽和狀態時（也就是即將觸動快速發展的臨界點）將會發生什麼事情。
觀點, 精選書單 比黑天鵝還危險：企業中不可忽視的「灰犀牛」 你可能聽過「黑天鵝」，但你知道什麼是「灰犀牛」嗎？黑天鵝指的是超乎我們預期與經驗的意外事件；灰犀牛則是指那些極有可能發生、衝擊力極大的威脅。如果說2020 年1月爆發的新冠肺炎疫情，是一場預料之外的「黑天鵝」事件；那麼，直至2022年還依然存在的疫情隱憂，已經是企業在進行決策時，不得不考量的「灰犀牛」風險考量。
精選書單, 觀點 不必接觸高深數學，也能輕鬆打造高效能 AI 模型 AutoML是近來極為熱門的話題，使用者不用寫出繁雜的演算法，也能快速打造出 AI 模型，降低「AI 落地」的門檻，大幅減少試驗機器學習模型的時間與痛苦。 AutoKeras是一套完全開源的 Python AutoML 套件，對影像、文字、時間序列或一般結構化資料的預測提供內建類別，甚至會加上資料預處理功能。使用者不必接觸高深的數學，就能用短短幾行程式碼便能打造出成效優異的 DL 模型。以下我們將透過案例分享，如何使用AutoKeras打造一個分類器：
精選書單, 專欄 善用投資併購為企業添翼，聯合戰隊讓佳世達死而復生 這是一個令人驚訝、幾近死裡復生的企業案例。 佳世達曾在2005年因併購西門子（Siemens）行動通信部門失利，當年慘賠新台幣300多億元，隨後被迫出售諸多轉投資事業及資產，並大幅減資，幾乎被判了「死刑」，很少人相信它有機會鹹魚翻身。但幾年後，佳世達竟「復活」了，這家口袋不深、才剛走出營運低潮的企業，如何將有限的資源精準花在刀口上，又如何在短短七年內開枝散葉，吸引約七十家企業夥伴加入聯盟呢？
專欄, 精選書單 為什麼統計學重要？秒懂機器學習背後的統計基礎 在資料科學或是機器學習上，資料特徵的取得一直都是非常重要的議題， 若能選擇到好的特徵，即使是非常簡單的模型都可以有好的預測或分類效果。比如說在預測體脂肪率的過程中，選擇用「體重」當特徵來預測體脂 肪顯然會比選擇用「擁有的手機品牌」來預測體脂肪的準確度高。然而在收集原始數據 (raw data)時，往往會將有用和無用的資訊都收集進資料庫，這時候若採用到錯誤特徵或是不合適的特徵就可能造成模型效能不佳的問題出現。
