Google打擊假新聞有煩惱 難處在定義及判別

Google AI（人工智慧）首席研究員紀懷新今天表示，打擊假新聞的難處在於如何定義，例如不同政黨對於假新聞的定義不同，無法靠機器學習完全解決，可能需要社會科學的協助。

Google今天宣布Google AI創新研究營開跑，邀請來自英、美等地的AI專家訪台，並安排多場AI專題演講，探討包括自然語言處理、醫學影像深度學習應用、推薦系統等AI領域相關主題。

媒體詢問Google如何辨別與打擊假新聞，紀懷新指出，Google內部有很多團隊設法解決相關問題，但光是如何判斷就令人苦惱，例如哪些電子郵件該被歸類為垃圾郵件（spam）就是個難題。

紀懷新說，從機器學習的角度來看，打擊假新聞的難處在於如何定義，其中也包括政治因素；例如美國有民主黨與共和黨兩大政黨，對於假新聞有不同的定義，光是這個問題就苦惱很久，這不是機器學習能完全解決的問題，可能需要社會科學來幫忙。

針對如何保護用戶隱私權，紀懷新表示，Google遵循全球各地的隱私權相關規範，例如歐盟實施的通用資料保護規則（GDPR），而且往往會高於標準；例如用戶想要刪除在Google上的數據就能刪除，會給予用戶完全的控制權，意味著Google花費很多心力讓使用者安心。

Google推薦系統優化 背後功臣是台灣囝仔

台灣土生土長的紀懷新現任Google AI（人工智慧）首席研究員，過去2年內透過推薦系統優化，為Google產品及服務帶來66項重要改善，包括Google Play、廣告、搜尋、YouTube等。

為落實今年3月啟動的Google智慧台灣計畫，Google今天宣布AI創新研究營開跑，邀請來自英、美等地的AI專家訪台，駐於Google美國山景城總部的紀懷新也擔任機器學習技術論壇的主講人，分享機器學習於推薦系統的應用。

來自淡水的紀懷新在Google進行許多推薦系統的研究，他帶領的機器學習研究團隊最大任務是運用研究成果，達到令人驚豔的推薦體驗。

舉例來說，在Google Play上有超過100萬個應用程式，去年更有高達820億的應用程式下載量，應用程式的數量與下載量相當多，這是為何Google需要機器學習來解決推薦系統的問題。

紀懷新說，傳統的推薦方式是將使用者與項目配對，希望使用者表達對這些項目喜歡或不喜歡，再推測使用者偏好；新的推薦方式是將使用者、情境與項目配對，數據量龐大，又要即時推薦內容，需要透過機器學習來解決這些問題。

他強調，透過機器學習模型，Google Play上應用程式的安裝率提升了3.3%。

紀懷新表示，Google為了顯著改善推薦品質，會注重3個原則。第一，推薦應該是個人化及多元化的。第二，透過機器學習的協助，不斷優化所有產品的介面。第三，整體而言，Google的模型要能替所有人提供適當的推薦。