向AI贏家學習！：日本26家頂尖企業最強「深度學習」活用術，人工智慧創新專案致勝的關鍵思維
（ディープラーニング活用の教科書 実践編）
日本深度學習協會於2019年舉辦「深度學習商業運用大獎」，獲獎的專案一共有26個，由日経クロストレンド（日經xTREND）集結成本書，台灣則由城邦於2021年翻譯出版。
書中以AI於企業現場的實際應用為主軸，間或介紹背後使用的AI技術及軟硬體規格，如果有一點人工智慧的領域知識，對於技術的部份就不會那麼難吞嚥。但即使卷積神經網路、Google TensorFlow等名詞看起來像外星語言，光是閱讀每個個案的實際應用情境，也是饒富趣味。以下就從這26個個案裡面，介紹5個讓我覺得很有趣的實例。
自動辨識商品，藉由掌握來店顧客屬性，結合POS資料來建議貨架商品配置，改變製造商、批發、零售的角力 by NTT Docomo：零售業的貨架擺放，會顯著的影響商品銷售和營業額，過往都是由人工掃描條碼來確認擺設方式，現在藉由AI影像辨識，可以直接拍攝貨架照片上傳即可。未來還可以連結POS資料，建議貨架配置，以提高營業額。
分析餐廳暢銷菜單，開發外食數據標註技術 by 多留客Toreta：Toreta協助餐廳串接客戶資料及POS資料，分析客戶的消費內容。再利用AI的自然語言處理，將菜單品項加上食材、料理方式、調味等標籤，整合之後提供餐廳的菜單設計方向，以提高客單價；或提供包裝食品廠商的產品規劃方向。這有點像是Amazon的商品推薦系統，藉由分析消費者的瀏覽和消費紀錄，猜測消費者可能還會喜歡什麼樣的產品。
運用深度學習分析運動選手的動作，從提升團隊實力到評估球員轉會 by 運動科技實驗室Sports Technology Lab：職業足球隊都有專門的影片分析員，透過影片標註球員盤球、傳球、射門等片段，並加以分析。但過往用人力分析影片的方式，一場比賽大概就要花上一天做標註，還只能分析持球球員，而持球者也只是場上的1/22而已，但非持球的球員也會明顯影響到攻守的進行。如果要連非持球球員的動作都納入分析，就非得要請AI出馬不可。透過專用攝影機把場上所有球員、裁判、球的動態數位化，加上球員的座標資料，就可以用深度學習分析傳球路徑及球場位置價值。前者是指用AI判斷某個情境中傳球時，是否為有效的傳球路徑，而球員在沒有持球的狀況下，是否隨時位於有效的傳球路徑上。後者是指對攻守雙方而言，球場上的每一塊位置，在不同情境下的價值也不同，分析球員是否有往價值高的區塊移動。未來如果能藉此判斷球員的球商，說不定可以在轉會市場上大顯身手！
以深度學習技術自動排除幼兒「NG照片」，解決幼兒園人力問題 by Unifa：現今許多幼兒園都有提供小朋友每天的活動紀錄照片，供家長下載或付費購買，但現行做法需要花費幼兒園老師大量的時間拍照和剃除NG照片，例如失焦、晃動、沒有把小朋友放在畫面中線等。一般幼兒園每月拍攝的照片在1千張到1萬張之間，而平均大約會有2成的照片是失敗的。Unifa目前用深度學習模型協助幼兒園自動挑出NG照片，再利用人臉辨識技術，自動篩選個別學童的照片，方便家長下載或購買。未來還計畫把拍攝工作也自動化，透過老師胸前的穿戴型裝置，定時連續拍攝照片，就好像縮時攝影一樣，反正AI會把能用的照片挑出來，連拍照都不用老師煩心～
偵測駕駛習慣和風險因子，以資訊科技減少交通事故 by DeNA：商用車輛包括公車、貨車、計程車都會有行車紀錄器，有些業者還會聘請行車指導員檢視行車紀錄器的內容，分析駕駛是否有危險駕駛的行為，並進行駕駛指導。但用人力來檢視行車紀錄器的影片，非常耗時，駕駛要好幾個月才會得到一次指導。透過AI來分析行車畫面、GPS定位資訊、加速感測器等，來偵測駕駛是否有未禮讓行人、未保持安全距離、超速等危險駕駛行為，再加以指導。實際上路的成果，讓計程車的事故率下降了25%、貨車的事故率下降了48%，事故規模也縮小。雖然目前很多新車都有這些安全輔助設備，但都是供駕駛參考而已，沒有約束力，企業要約束駕駛的行為，就需要透過AI的協助，讓駕駛知道所有的駕駛行為都會被記錄下來，並被AI偵測到，對於危險駕駛行為的警告，不能置之不理。
