關於 實驗 設計 及 a b test ，我們在網路上蒐集到這些相關的討論、資訊與評價

🎉熱騰騰的穎崴(6515) 公司簡介來啦~
興櫃股王「穎崴」上市首日飆37％，一起來了解公司主要業務是什麼呢？
.
半導體風起雲湧、高階晶片輩出，而卡位高階測試市場的「穎崴」，2020營收創歷史新高。
2021年更以高EPS、高毛利、高成長的表現，元月從興櫃股王「轉大人」正式成為上市公司。
.
🏭公司簡介
公司設立於2001年4月，總部位於高雄楠梓加工出口區，主要從事半導體測試治具(Test Socket)及探針卡(Probe Card)之設計、開發及生產製造關鍵技術，從晶圓測試(CP)、最終測試(FT)、系統測試(SLT)、老化測試(Burn-In)及溫控系統(Thermal Control System)，提供各種高速、高頻、廣溫域的測試介面；主要客戶為全球高階IC設計公司及封裝大廠，為提供高效能IC測試治具的專業半導體測試介面製造商。公司訂定於2019年11月19日在興櫃市場掛牌交易。2021年1月20日轉上市掛牌交易。
.
💼.產品與技術：
A. 高效能半導體測試治具(Advanced Test Socket)
B. 接觸元件(探針/PCR/ i-Bump)
C. 測試機台轉換治具(Changeover Kit of handler)
D. 感光元件/高頻測試/記憶模組測試治具(CMOS/RF/Memory Module Test Socket)
E. 主動式溫度控制(Active Thermal Controller)
F. 老化測試治具(Burn-in Socket)
G. 垂直式探針卡(Vertical Probe Card)
.
主要從事研究、製造及銷售半導體測試介面及配套產品，包括高性能探針卡、高頻高速彈簧針測試座、廣溫域溫控模組、精密彈簧針；依不同產品測試需求提供客戶量身訂做的測試解決方案。
.
穎崴作為今年首家上市業者及興櫃股王，能否重蹈前興櫃股王與測試同業精測2016年掛牌後走勢，一舉奔上台股一線高價股，備受市場矚目。尤其近期盤面人氣匯聚在半導體、高價集團，進一步加深法人對穎崴蜜月行情的信心。
.
🧠產品比重：
產品項目包括半導體測試介面、精密彈簧針、探針卡、溫控模組，截至2019年底止，營收比重分別為：測試治具佔約76%；接觸元件佔約19%；探針卡佔約1%；其他設備佔約4%。
.
👣廠區分佈：
高雄加工廠
新竹加工廠
高雄探針廠
中國蘇州廠
.
🧑‍💼國內外競爭廠商
主要競爭對手都屬日本或歐美廠商。國內同業包括精測、旺矽、雍智科技等公司。
.
👆近期狀況
穎威董事長王嘉煌表示，受到美中貿易戰、華為禁令等衝擊，去年公司營收雖創新高，但動能稍減，獲利可能下滑；展望今年，預期在5G、AI、車用等需求帶動下，穎威樂觀看待，顯著成長可期，營收與獲利皆可望創新高。
👨‍🔬未來展望
此外，異質整合成為IC晶片的創新動能，使系統級測試（SLT）需求與日俱增，穎崴皆已佈局完成，整體而言，公司除持續在技術上精進，提供高階Socket以滿足FinePitch（微縮）、高頻與高速等高度集成的IC測試需求，也將擴大各類高階測試介面（Testing Interface）持續研發，以滿足全球客戶從實驗室到量產的各種測試具面的需求。
.
穎崴看好5G、AI、HPC 與車用晶片持續成長，帶動高階半導體測試需求強勁，決定斥資32.5億元在楠梓加工區興建半導體高階製造中心，預計2022年完工投產，可創造近千個就業機會，年產值增加10億元以上。
.
產業知識：測試介面
.
進行測試的動作時，由於測試的儀器有其一定的規格，可是此一儀器往往要面對各式的產品，不同產品有不同特性；因此，如何使量測儀器和待測物有良好的接合，就必須有設計合宜的測試介面，讓待測物特性完整呈現，且不影響到待測物。

#工作的那些小事【 小編血淚日常：別讓數字綁架了你的熱情 】#新朋友第一次來歡迎先追蹤 #收藏之後回頭慢慢看

有很多人其實不喜歡被叫 #小編，因為總是被看得很小，又賦予相當多的雜事，更別說有太多的公司內部的小編，身兼2-3個可作為正職的工作內容(設計、客服、企劃、文案)，還要被追著數據成效跑。

有些人看到標題第一句大概會說：「我也不想啊，可是老闆主管會問啊！」

十年前從主管手上接到一個公部門粉專經營（透露了我的年紀😂)，開啟了我的小編人生：拜託設計幫忙做很無聊的小圖、硬跟客戶解釋其實我也不太確定的數字走向、更別說當時社群經營仍是一塊無人觸碰的淨土，各路大神都還沒出現，資源遠比現在還少。

當老闆主管把數字解讀為KPI成效，自然就會將粉絲人數、觸及率相對表象的數字視為「行銷是否有效」的參考依據，同時還會賦予銷售目標的期待，這些對小編們來說，實在是說不出口的無奈。

先別管老闆主管怎麼說，粉專成效牽涉的因素相當的多，今天有人按讚明天就會有人退讚，什麼樣的心態可以讓你維持經營熱情，而不是為了數字七上八下，一旦你感到無趣，你就很難想到有趣的內容，於是就惡性循環。

1️⃣ 提升自己先，搞懂經營目的
老闆主管不見得完全了解社群，唯有提升自己對社群的了解，搞懂公司經營社群的目的，你才知道如何說服他們。

2️⃣ 大量看其他人是如何經營的
社團、FB、IG都有很多社群內容分享，反覆研究為什麼別人這麼做。平常就養成儲存案例的習慣，到時候要說服老闆主管是非常好用的。

3️⃣ 保持測試實驗的心態
小編很常跟老闆主管僵持不下的就是內容的呈現方式，這時候A/B test是最快可以知道結果的方法，沒有對跟錯，只有適合與否。

4️⃣ 粉絲喜歡什麼更重要
與其爭取要做一篇自己看起來很滿意的貼文，不如產出粉絲真正在意的內容，即使內容質感不見得如你所願，如果可以達到目的，是否也很值得一試呢？

5️⃣ 了解老闆主管要求背後的原因
有時候可能是老闆以為要增加粉絲黏著度只能靠增粉，當你了解真正的原因，就能夠提供真正有效的方式：有趣的社群活動、內容規劃等建議，而非一味地追逐數據成效。

💡經營社群常常是小編很難說清楚講明白的事，除了數字其實還有很多有趣的事情，讓自己跳脫被數字綁架的框架吧！

Photo source：Unsplash 

💡如果你覺得很有幫助，歡迎收藏分享按下愛心給我鼓勵唷！

#文字的那些小事 提供客製化的社群規劃、製作優質社群內容，為你打造專屬的品牌形象。歡迎私訊了解唷！⁣⁣
-
Alice愛力獅・文字的那些小事⁣⁣⁣⁣⁣⁣⁣
Instagram：https://reurl.cc/9XAG2d
Medium：https://reurl.cc/5qljZq

訓練AI模型，要多少數據？拆解企業人工智慧專案為何難落地

2020.12.09 by 若水AI Blog

企業導入AI似乎已成為一種趨勢，但是訓練AI模型，需要多少數據？其背後的商業命題與成本又該如何解決？帶你來一起窺探AI專案背後的秘密！

企業的AI專案在釐清問題本質、找到命題之後，首先會面臨到一個問題：收集數據（Data Collection）和建立AI模型（Model Establishing），該以什麼作為評估基準？

訓練一個AI數據模型，需要多少數據？

訓練AI數據模型時，其實有三個要素，彼此互相影響。分別是： 商業問題的複雜度 、 AI模型複雜度 （Model Complexity），以及 數據複雜度 （Data Complexity）。

因此，如果想知道需要多少訓練數據（Training Data），建議先釐清：這個AI專案到底要處理什麼問題，以及這個問題有多複雜？確定之後，再來判斷應該選用哪種程度的模型來做訓練。根據不同的商業命題複雜度，用不同複雜度的模型和精準數據彼此搭配，找出最佳平衡，才能讓AI專案順利落地。

但光憑想像，很難評估實際的AI數據量和成效，所以開始AI的第一步，需要先透過POC概念驗證（Proof of Concept）實驗來找答案。

簡單來說，就是針對不同複雜程度的商業問題，嘗試選用不同複雜度的模型搭配測試，直到模型跑出來的曲線，符合理想目標。

一般狀態下，假設商業問題本身的複雜度很高，我們會預期要選擇複雜度較高的模型。但是如果數據量不足，那麼選擇複雜度較高的AI模型，反而會比用簡單的AI模型效果還差。（上圖左上、右上，分別代表複雜度10和複雜度50的問題，可以明顯看出複雜的模型曲線比較接近學習數據集（Dataset），但是在測試數據集上的誤差 Eout，反而比簡單模型還差了許多。）

上圖的左下和右下，是以不同複雜度的模型去做POC，跑出來的結果曲線圖。藍色線代表的是學習數據（Training Data）成效，紅色線代表的是測試數據（Testing Data）成效。最理想的POC目標，應該是兩條曲線很貼近彼此，而且位置越低越好。

我們會發現，左下這張圖的兩條曲線雖然彼此貼近，但是就算增加數據，也無法降低誤差。這表示模型偏誤（Bias）高，效果不佳，應該要增加模型複雜度 （Model Complexity）。

增加模型複雜度之後，就會像右下這張圖，藍色曲線（學習數據）雖然數值很低，但在學習數據不足的情況下（灰色區塊），紅色曲線（測試數據）卻「飄」得太高。這表示模型變異誤差（Variance）高，應該要增加學習數據。最後在慢慢增加模型複雜度以及學習數據之後，我們就可以達到理想的結果（兩條曲線很貼近彼此，而且位置越低越好）。

數據哪裡來？發展AI人工智慧之前，先建立數據流

先前我在文章裡提到，很多企業會急著開發AI模型，但AI專案落地經驗的三大關鍵之一，其實是先確認：是否已經準備好數據了？如果沒有這樣的能力，談AI落地其實有點好高騖遠。

AI數據收集（Data Collection）最大的挑戰，在於針對不同型態的命題，會產生不同的AI數據需求，因此需要建立的「數據流」（Data Pipeline），AI數據處理 （Data Processing）和數據標註（Data Annotation）的模式及流程也會有所不同。

發展AI之前，如果能建立起從數據收集（Data Collection）、數據處理（Data Processing）到AI模型學習的數據流（Data Pipeline），並確保可以順暢運行，實際訓練AI模型時才會省力很多。

數據不夠或太多怎麼辦？

Google開設的機器學習（Machine Learning）課程中，第一項原則就開宗明義地指出：「Don’t be afraid to launch a product without machine learning」。

如果你的產品或業務不一定需要用到機器學習（Machine Learning），那就別用，除非你有AI數據。有數據，再來談機器學習（Machine Learning）。但在業界的實際狀況，大家不是沒有數據，而是只有一些些，這時候該怎麼辦？我會建議，先從小地方開始做起，也就是從POC專案著手。

POC專案要有具體成效，除了要注意設計專案、實驗模型的指標（Metrics），企業最重要的是要先定義清楚：AI專案要達到什麼樣的指標，才算是成功？這樣最後做出來的成果，才會真正符合商業目標。

如果今天不是沒有AI數據，而是數據很多，又該從何下手呢？

我建議，嘗試減少訓練AI人工智慧時的「 數據大小 」和「 數據筆數 」。

過去曾經處理過一個AI專案，數據多達2億筆。第一次實驗，把數據全部餵進AI模型，取得結果。第二次，只拿其中有代表性的500萬筆出來訓練人工智慧。

猜猜結果如何？兩次實驗的表現，只差異不到1%。

所以，如果企業對於AI數據的品質和數量有一定程度的自信根據，其實不用把數據全部餵進AI模型訓練（Model Training），只用有代表性的AI數據來訓練就可以了。市面上很多常見的AI工具（Cluster），可以做到這點，幫助省時省力。

AI模型訓練，記得校準商業目標

企業發展AI人工智慧的最終目的，還是希望能 達到商業目標，創造價值 。

所以，訓練AI模型時，團隊如果不知道如何判斷哪個指標，對AI模型學習來說比較重要，建議回歸初心，重新釐清「 這個專案想達到的商業目標是什麼 」。

比方，趨勢科技（Trend Micro）要開發一個能夠判斷電腦病毒的AI，但是勒索病毒（denial-of-access attack）和廣告病毒對客戶的傷害程度大不相同。這時候，工程師就會針對這個命題，餵給AI模型不同病毒種類的數據，讓它學會判斷不同病毒的重要性，分辨出哪些病毒比較嚴重不能有判斷錯誤，而哪些病毒比較無害，不一定要做到一百分。

最常見的訓練方法，是用成本函數（Cost Function）的方式，訓練完再回去調整AI模型的評分（Rating），用加扣分的方式，告訴機器它的學習表現是好是壞，做對就加分，做錯就扣分。

上述評分原則的制定，和企業的商業價值考量息息相關，所以一般在組織分工，會由PM專案團隊負責判斷哪些項目重要，請資料科學家設計在上述Cost Function裡面。

很多人以為，AI人工智慧開發要做到很完美才行，但其實根據我們的經驗，只要AI開發成本符合預算、AI模型表現可接受（大約做到60–70分），而且結果有助於降低成本，就可以算是達到商業目標。反過來，即使AI模型表現非常好（高達90分），但成本卻遠超出預算，就不建議執行。

另外，因為POC階段會做很多的實驗，需要拿兩個穩定且可以互相比較的基準做A/B Test，所以做好基礎建設非常重要。

如果一個團隊裡面有三位工程師，但三個人做出來的結果都無法互相比較，那麼這個實驗就會變得霧裡看花，導致AI專案難以落地。

AI數據小學堂：模型指標（metrics）

在做模型實驗時，通常會用混淆矩陣（Confusion Matrix）的四種指標：TP（True Positive）、TN（True Negative）、FP（False Positive）、FN（False Negative），以及Count、Unique和Accuracy等等函數，來判斷這個模型的表現好不好。

P或TN值，代表模型辨識的答案正確，和預期結果一致。例如：模型正確判斷出「這是一隻貓」、「這不是一隻貓」。而FP或FN值，則代表模型的判斷錯誤，例如「明明是貓，模型卻說不是貓」、「明明不是貓，模型卻說它是貓」。

附圖：AI模型 若水國際
AI模型的POC概念驗證實驗怎麼做？

資料來源：https://www.bnext.com.tw/article/60440/ai-strategy-04?fbclid=IwAR1SOhjjGxypdGgOGfaBIl_a1IsZFJAQZ8J2aeDd98spbUfOdg7hiPQP7UA