| YouTube 是全世界最大的影音平台之一，目前已經有數百萬個影音內容在 YouTube 上產生，目前每分鐘也有超過 500 小時的影片被上傳到 YouTube 上，因此對於 YouTube 來說，如何在短時間內透過人工智慧技術分析被上傳的每一個影音內容，並依照興趣推薦給中古手機每個不同的人，提高觀眾的參與度和滿意度是非常重要的課題。 在進行影片推薦之前，YouTube 必須面臨幾個棘手的問題。首先是影音內容的標記（annotation），由於影片內容相當複雜，演算法必須先分析影片內容才可進行更進一步的推薦，因此在發展推薦模型之前，YouTube 必中古手機先建立有效的影片內容標記技術。 此外，面對影音及使用者互動資料不斷的更新，演算也必須能因應使用者的行為擁有快速的反應能力，才能提高使用者的興趣及停留於平台上的時間。 而在訓練的過程中，由於不論是影音內容或使用者行為都會產生相當多的雜訊，且並非所有的資訊都能被量化為推薦演算法可手機維修用的參數，因此 YouTube 的團隊便要嘗試將各種不同的顯性、隱性回饋都能夠被量化，並納入訓練資料中，例如影音下方的「我喜歡」（顯性）、看完一段影片（隱性）等行為。 因應不斷且快速變化的資訊輸入，YouTube 過去以迴歸（regression）模型為基礎的推薦演算法也相形手機維修見絀，因此 YouTube 在 2015 年開始將機器學習（machine learning）技術導入 YouTube 推薦機制，提供更快速精準的個人化推薦。目前 YouTube 的推薦機制包含了 2 個神經網路模型（nural network）： 1. 候選生成模型 （Ca手機維修didate Generation Model） 由個人的瀏覽歷史、搜尋歷史、人口統計資料等資料，從數百萬的影片資料庫中挑選與使用者相關的子集合，供後續第二層演算法參考使用。 2. 排名模型（Ranking Model） 在有了候選清單後，第二步驟即是從名單中預測使用者最有興二手手機觀賞的影片，並進行推薦排名。因此 YouTube 參考了以下訊號進行權重的計算：而為了能夠讓 YouTube 的演算法針對影片中的內容做更詳細的識別，YouTube 研發團隊也發表了原子視覺化動作數據學習模式（Automic Visual Actions, AVA）技術，透過二手手機電腦圖形識別技術判斷影片中人類姿勢、人與物體、人與人的互動行為。 AVA 的運作將每個影片擷取 15 分鐘的片段，再將影片均分為 300 組 3 秒的影片片段（合計共 900 秒），再藉由已經預先定義好的 80 組原子動作 （automi action）進行比對，找出如走路、中古手機球、握手之類的動作特徵並進行標註。儘管蘋果 (AAPL-US)iPhone 8 系列開始採用玻璃機殼，不過基本上，金屬機殼仍是機身的主要骨架，但是金屬機殼的供應鏈則是相對單純，由鴻海 (2317-TW) 旗下的鴻準 (2354-TW) 與可成 (2474-TW) 分食訂單，其中古手機又以鴻準訂單比重較高，如果鎧勝 - KY(5264-TW) 也擠入 iPhone 供應鏈，未來訂單變化將成為三分天下的局面。法人指出，不可諱言，鴻準最大的優勢還是鴻海，基於鴻海跟蘋果的緊密關係，鴻準總是能取得較高比重的 iPhone 機殼訂單，就連明天即將開賣的 iP手機維修hone X，其機殼就是由鴻準供應，可成仍無法取得相關訂單。現在鎧勝 - KY 宣布要大舉投入資本支出，法人表示，以他們公布的數字來看，幾乎是今年規劃的 10 倍，要投入這樣大量的資本支出，顯示鎧勝 - KY 一定有新的訂單入手，其中的關鍵，很有可能就是和碩 (493中古手機-TW)，就如同鴻準與鴻海一樣。法人指出，這就像蘋果將組裝訂單，從原本獨家的鴻海，陸續又擴充和碩、緯創 (3231-TW)，蘋果的目的當然是要降低成本，不過，供應鏈要爭取訂單，最重要的還是實力，如果無法達成客戶的標準，就算擠入供應鏈，就怕只是成為客戶殺價的籌碼而已。 |
