Kkbox

Tokyo Video Tech #2: UNTITLED, all photographs by Katsuyuki Sakai and Takashi Okawa. 二月二十日傍晚，結束了一整天的拜訪後，我獨自一人，與一群日本友人，留了下來。 在東京的一棟樓，J-Stream 辦公室，只容納得下四人座的小會議室裏頭。 我蜷縮起了身體，死盯著筆電的眼睛，手指頭短短的，一回兒處在被咬手指甲的狀況， 一回兒是在鍵盤上面慢條斯理的打著，手忙腳亂趕著修整最後的投影片。 l再一個小時，就是東京時間的晚上六點半，Tokyo Video Tech #2 即將開場。 主持人開場後，我將會是緊接著上台，今天的第一位外國講者，同時也是 Tokyo Video Tech 有史以來的第一位外國講者…… 參加 Tokyo Video Tech #2，是個美麗的意外，意外的美麗。 Attending Tokyo Video Tech #2 is a beautiful accident, and an accidental beauty. [日本職人精神] Tokyo Video Tech #2 開場 緊湊的行程；兩篇給 Tokyo Video Tech #1 的部落格；以及隨後公佈的 #3 的時程！ 主辦人之一的 Takesato Hayashi，執主持人棒子兼開幕麥克風。 他是 Tokyo Video Tech 的三位發起人之一，一位熱愛足球，同時在影音產業界二十年有餘的技術人。 他們在辦完了 Tokyo Video Tech (之後簡稱 TVT) #1 後，透過 https://video-dev.slack.com/ 聯絡上了我， 最終，有了這麼一趟拜訪。 一開場，他立即展現了只有日本人才做得到的精實與認真： 緊湊行程的安排； 三場分享都壓在 20 分鐘內，包括 15分鐘的分享以及 5 分鐘的問答； 問答的方式採用 slido，問題一律在線上輸入，最後的問答時間由主持人代大家提問； 每一場都有四五個問題！ 喔，包括開場、收尾以及我的閃電秀各 10 分鐘，全數按表操課執行。 最令人驚艷的，是當場公佈了 TVT #3 的時間，連贊助商 (Fastly) 都找好了！ ...

在上個月的 3/28，AV1 1.0 規格 終於定案並且釋出了， 它特別強調對 4K 或更高畫質 (UHD) 的影片做優化。 接著就是，會有 Google, Mozilla 與甚至是 Microsoft 大力的投入， 這幾家公司會提早在各自的瀏覽器上實裝。 而串流平台方面， Netflix 與 Amazon 也允諾會大力投入，擔任先行者的角色。 事實上，Firefox Nightly build + Bitmovin 已經先小小證明了一下下 了， 而正在進行中的 NAB Show 2018 也會有更多看頭。 換個比較白話文的說法： 一個新的 video codec, AV1, 特別針對 4K 以上畫質優化的 codec， 已經可以進入商業開發與導入，並且也已經好幾家大廠背書要投入了！ 一般來說，一個 video codec 從規格定案到真正在商業產品上的成功，是很花時間的。 拿 H.264 (AVC) 來說，它花了快十年，才在 Apple 一聲號令下，成功的拿下市場。 而它的後期之秀 H.265 (HEVC) 過了快五年， 即使 Apple 說它的 iPhone 7 搭配 iOS 11 就能支援 HEVC， 依然是無法在市場上佔有一席之地。 而幾家大廠挾持著 HEVC 還沒成功之際，推出了所謂的 royality-free AV1， 是不是會有機會吃掉 HEVC 而先行成功呢？ 我的感覺是：有可能，而且說不定成功的機率不小。 AV1 會不會成功，有很大的因素取決於它的對手, HEVC, 陣營是不是會自亂陣腳。 ...

前幾天有一個新服務 Comet.ml 在 TechCrunch 下了個這樣的標題與介紹： Comet.ml wants to do for machine learning what GitHub did for code The service provides you with a dashboard that brings together the code of your machine learning (ML) experiments and their results. In addition, the service also allows you to optimize your models by tweaking the hyperparameters of your experiments. As you train your model, Comet tracks the results and provides you with a graph of your results, but it also tracks your code changes and imports them so that you can later compare all the different aspects of the various versions of your experiments. 大意是說，這個 Comet.ml 的服務，是被開發來給資料科學家用的服務。 它就像 GitHub 是給 developer 用的一樣，扮演著類似的功能，只是是特別對 model training 做一些特化。 所以它會把每次的建立模型的 1) 程式碼; 2) 參數; 3) 設計的模型; 4) 安裝了什麼 Python packages; 5) 模型練習的過程/成效/結果; 6) stdout; 7) 其它文字註解…… 這幾項給通通存起來，方便日後回來校閱或比對。 更方便讓幾位資料科學家或演算法開發的工程師可以一起研究，有個依據。 一言以蔽之， 它是一個用來 紀錄 / 追蹤 / 比對 一個模型設計與開發的服務。 感覺挺有趣的，決定來試試看。 本著上次在公司裏頭鐵頭的 Data Team Workshop 的一些些印象， 加上它又有 repo，而且還是友善到不行的手把手 notebooks 型式， 很有機會可以拿來試驗一下這個 Comet.ml，即使我至今還沒完整看過 Tensorflow 或是 Keras 的文件或教學影片！ 看來看去，就拿裏頭的 MNIST 來試好了。 用最簡單的兩個 Dense (Just your regular densely-connected NN layer) 做一個 model， 第一個 layer 的 output vector size 用 64， 第二個（最後一個） layer 的 output vector size 則是 10，設成與 MNIST 要分類的個數一樣。 丟下去跑一跑，在 Comet.ml 上跑出了這麼一個 Experiment 。 在 Comet.ml 上頭，每一次的實驗，就叫一個 Experiment。 透過它 monkey patched 過後的 Keras， 一旦你開始執行你的程式做 training， 它就會開始自動紀錄你 model training 的整個過程， 它會自動幫你把每次 training step 的 (loss, accuracy) 給記下來， 然後最後（按官方文件的說法）自動上傳到 Comet.ml 平台。 也可以再自行加上呼叫幾個 log function 來特意把一些想記的參數給上傳上去。 這個是我第一次的 experiment 的程式碼 。 相當的有意思，忍不住多把玩了幾下。 （結果就是睡到半夜四點醒來，還多下了一個 experiment XD） ...

2017.09，在那個平均氣溫 2732 的盛夏台北，KKStream 辦公室有幾位來自 CNEX 的貴賓。 短短不到的兩個小時，立即的達成了共識： 雙方團隊在一週內，以最有效益的方式，在最小的範圍上，協力合作讓 CNEX × Giloo 紀實影音線上影展 上線。 因著這麼的一個合作會議，在這之後，我們有了個機會認識 Giloo 這個新興服務， 同時以接近第一人稱的角度看著它上線，一路到今天 Giloo的命名，來自於閩南語「紀錄」的發音。 Giloo 的創立初衷是打造專屬於紀實影像的社群平台。 我們相信紀實影像與說故事的力量，如何從生產、觀看、流通與傳播等各個面向加大力道， 是 Giloo 所有企劃與產品的核心提問。 整個合作的需求與契機，緣由非常簡單：內容保護。 ...

1998 年成立的 Streaming Media，是個專門報導影音串流相關資訊的媒體。 我們過去參加了三屆 Streaming Media West 以及一屆 Streaming Media East，就是這個單位主辦的。 按官方的介紹 ，Streaming Media （如今）有以下幾個目標： StreamingMedia.com / 經營 StreamingMedia.com ； Exhibitions and conferences / 舉辦國際會議與辦展 ； Research and publications / 做深入的研究與報導。 ...

台灣資料科學年會 2017 的議程 已經放出來幾天了，一直到這兩天才稍為有空瞄一下議程。 在強力擁銷員 陳昇偉博士 的熱情邀約下，KKBOX 集團一口氣貢獻了四個不同面向的主題， 兩個主題與人工智慧相關，另外兩個主題比較偏向資料科學。 搭著有點熟悉又有點陌生的臺鐵電聯車，在帶著幾朵雲的一片藍空下， 做點小功課，先單純的記下幾位講者名單。 似乎第一輪感興趣的講者，教授/學者/教育家居多。挺好的 :) ...

就如同 Paul Graham 的 Hackers & Painters: Big Ideas from the Computer Age 裏頭說的， 「這是個對科技阿宅最棒的年代，只要夠 nerdy，夠有想法，夠有生意頭腦，那就去創業吧。」 今年五月，KKV (KKStream & KKTV) 內部執行了一個 KKV Data Game 17.05 。 隨後的六月，毅然決定對外開放，搭上 PyCon Taiwan 2017 的順風車，辦了個 KKBOX Data Game 17.06 。 主辦人之一的 @ironhead 寫了篇 blog：Stories of KKBOX Data Game 17.06 。 而這一篇，打算以另一個觀點來聊聊這個 game 到底是怎麼樣的一個 game~ 如果，我們把整個 KKBOX Data Game 17.06 當作一家 startup，會是怎麼樣的一回事？ ...

趨使一件計劃之外的事，產生點意外的火花，最快的方法之一，就是辦一個活動了。 當全世界（好吧，其實只有一小群人）都開始瘋狂談論 AI, Machine Learning 時， 而你發現你們家的基礎建設還很不足， 有很多 data pipeline, data engineering 的事沒做好， 根本無暇去想那個什麼 AI (stuff or buzzwords）之類的…… 又或者，雖然你們做了一些 data analytics， 也開發了些所謂的 recommendation system， 但認真想想，其實都還離完全的商業目標有那麼一段距離…… KKStream / KKTV / KKV 很不巧的，剛好也在經歷上述的狀況。 雖然我們有老大哥 KKBOX 可以咨詢，但基本功還是得自己一步一步來。 最最基本也重要的任務：1）組織資料團隊；2）建立資料認知；3）執行資料工程。 都無法假它人之手。 我們在（永遠都會）人仰馬翻的日常業務裏頭，啟動了一個小活動。 KKV Data Game 17.05 人：所有 KKV 集團（KKStream + KKTV 2.0）的同事。 事：根據拿到的，過去一段時間 KKTV 用戶的看劇行為與資料，預測（猜）用戶接下來會看的劇。 時：05/04 - 05/11，僅僅一週。 地：透過 Kaggle in Class 來舉辦整個比賽。 物：使用 KKTV 的真實資料。 ...