關於 演算法誤判 ，我們在網路上蒐集到這些相關的討論、資訊與評價

【員工辛勤工作，卻因 #演算法誤判 被 #亞馬遜 開除職位、申訴無門？】#圓桌 ：https://bit.ly/3xpKQbS

「作為一個退伍老兵，我的工作理念一直是付出110%的努力，也從沒有過紕漏，但沒想到卻被演算法這樣辭退了。」

為電商巨頭亞馬遜工作了四年的送貨員工Stephen Normandin，因被系統演算法錯誤判定被「開除」職位。他曾憤憤不平上訴，卻被「踢皮球」而申訴無門。據悉，亞馬遜曾因演算法判定不達標而解僱約300名僱員。

依靠演算法望高效率管理員工，真的可確保員工績效提升嗎？自動化系統該如何解決人性化問題？https://bit.ly/3xpKQbS

#相關閱讀
【與系統對抗，如何做一名外賣騎手之間的組織者？】https://bit.ly/3ksFGpZ

💪在媒體生存環境愈加惡劣的當下，我們更需要你 #付費支持我們，助力我們產出更多優質深度內容

#端Plus會員計劃：https://bit.ly/2UL1Tqt
#加入會員：http://bit.ly/2wVfM6g
#學生方案：https://bit.ly/3bUODnu

#端傳媒 #科技 #演算法 #勞工 #勞動關係

認真工作的員工因演算法誤判，導致上訴無門，以至於被機器開除，這該有多無奈呀 😔
亞馬遜這種以高度自動化的人力資源系統來管理員工的做法，似乎有點過於冷漠與缺乏人情味了。
來看看被演算法錯誤開除的亞馬遜 Flex 司機們大吐苦水。

亞馬遜以高度自動化的人力資源系統來管理員工，會不會顯得過於冷漠和缺乏人情味了？
難以想像認真工作的員工因演算法誤判，導致上訴無門，以至於被機器開除的無奈 😔
來看看被演算法錯誤開除的亞馬遜 Flex 司機們大吐苦水。

這週新聞發佈勞退基金收益大賺三千億的消息
新聞說以目前勞工1205萬人來算，每人可分1.5萬
看來勞退基金操盤績效好像不錯，是不是該自提？

如果看這則新聞，覺得勞退績效很棒，決定自提了
影片建議你不要點進去，因為可能會打破你的認知

現在大環境的資訊轟炸程度已經跟以前完全不一樣
今天我會跟你分享勞退基金實際操盤的總績效
我也順便教會你們投資以前你一定要弄清楚的兩件事
就是『看原始數據』和『別誤判被包裝後的結果』

包裝後的結果是什麼？簡單來說就是一樣的原始數據
有些分享資訊平台會透過再包裝讓它變得比較看得懂
但這些平台因為需要曝光率，所以會做吸引你的標題
就像原型食物不一定好吃，加調味料會比較吃得下

不過加了這些調味料，相對的也就是多了一點雜質
如果想要把這些資訊的雜質過濾乾淨就需要經驗知識
這些經過『整理』的資訊很容易讓我們誤判實際數據
這樣實際報酬率跟實際投入報酬率就可能會有落差

00:00 勞退上半年大賺3000億，進口袋了嗎？
02:04 要怎樣才能讓勞退分紅領得多？
03:18 勞退基金的最原始績效數據統計資料
04:39 自提勞退會不會比較好？能不能優化？
05:08 第一種用自提預算優化的方式
06:20 第二種用自提預算優化的方式
08:45 Ｑ＆Ａ時間

預約專業諮詢
https://www.surveycake.com/s/KBywY

臉書粉絲專頁
https://www.facebook.com/allenpage666

加入我的LINE
https://lin.ee/PkykJIL

想讓事業拓展，吸引網路流量嗎？
你可以參加這個Youtube營銷課程：
https://reurl.cc/8yzgGX​

還是想透過經營Youtube增加廣告收入？
那我推薦你參加這個Youtube課程：
https://bit.ly/3cTngfU

合作/演講/諮詢聯絡信箱：
allen750528@gmail.com

人臉辨識，就是用科技計算的方式，來比較臉部視覺特徵，藉此鑑定身分的一種電腦技術。

其實我們可以把人臉辨識想像成是一套演算法，各種不同的廠商或公司可能會有不同的演算規則。但整體的邏輯是一樣的，通常會先偵測人臉、然後進行臉部校正與擷取特徵、再進行比對工作。

當攝影機拍到你的時候，它第一步也會先切成一張一張的影格，然後去找到你的臉，就像是我們相機在拍照的時候，它不是會在臉旁邊出現一個框框讓你比較好對焦，這就是使用了人臉偵測的技術。

也因為人臉其實有一些特徵，所系統會開始擷取一些我們臉上出具有「辨別度」的特徵，像是顴骨的形狀啦、眼窩的深度之類的，一張臉大約有80幾個識別點，但也因為拍攝時可能剛好低頭或轉頭，或是受到光線影響之類的，有些系統會在抓取特徵的時候也要進行校正，利用人中啊、眼睛啊或嘴角之類的作為錨點，將人臉校正到同一個比較基準。現在也有2D轉3Ｄ的技術，用3D模型來計算你不同角度應該是長什麼樣子。那抓出這些特徵以後呢，這個演算法會把你臉上用這些特徵畫出來的向量，轉換成編碼，於是你這個人獨特的特徵就可以用一串數字來代表，最後再送到資料庫進行比對。

雖然人臉識別這個技術早再很多年前就已經開始發展，但是到這幾年因為電腦計算速度大幅加快、雲端技術成熟，才有較大的進展。而且這樣子一套演算法，還需要透過ＡＩ深度學習，模擬我們大腦神經網絡的運作，然後從大規模未標記的資料中學習，來建立出一套演算法、不斷優化出更好的模型。才能讓辨識度越來越準確。

不過即使臉部辨識技術已經發展了一段時間，辨識準確度卻還是有待加強，美國國家標準暨技術研究院 (Nist) 的一項測試就發現，2014年到2018年期間，人臉辨識系統因為深度學習的技術，失敗率從4% 降到 0.2%。BUT！資料庫中的照片跟現實生活中可不一樣，每個人頭擺的角度、臉出現在畫面中的位置、拍攝光線、畫素、有沒有戴帽子、帶圍巾或變老，這些都會影響準確度。而且目前雙胞胎的辨識，還是一大難題。

像是英國南威爾斯警方2017在歐洲足球冠軍賽期間，測試一款全新的AI臉部識別程序，可以搜尋比對資料庫裡面的50萬筆潛在罪犯資料，結果系統在17萬名觀眾當中，配對了2470人為潛在目標，但是錯誤率高達92%。

Amazon 2016年推出影像辨識 AI 系統Rekognition，也曾經把28名國會議員辨識為罪犯，讓大家都嚇到吃手手。美國奧蘭多市政府也從 2017 年開始與 Amazon 合作進行先導計劃，在市內幾個地方架設監視器，實時進行人臉辨識，希望可以找出通緝犯等特定人士，幫助執法。不過在 15 個月的測試中，卻發現系統經常誤判，準確度常常出問題，後來在2019年終止這項合作。

人臉辨識跟很多技術一樣，就是個雙面刃。雖然這項科技已經越來越進步，而且透過電腦的深度學習，讓判讀的準確度大大提升，但它仍然不像DNA那樣，正確度高達99.9%，可以作為決定性的判定標準。
--------------------------------------

《#范琪斐ㄉ寰宇漫遊》每週四晚間十點在 #寰宇新聞台 播出，沒跟上的也沒關係，歡迎訂閱我們的 YouTube 頻道 🔔#范琪斐ㄉ寰宇漫遊 🔔https://reurl.cc/ZvKM3 1030pm準時上傳完整版！