月份: 2016 年 6 月

兩個月前，看了『榖倉效應』，覺得浪費錢，講的東西是老生常談。今天突然想起是什麼老生，十幾年前Visa創辦人寫了本書『亂序』”Chaorder”，五十年前稻盛和夫發明『變形蟲組織』，講的都是相同的核心概念『主動』『小組織』『無分工』。
對了，上週火箭咖啡的分享會主講人的公司也是這樣的組織。
這些組織跟運作方式，能成功的原因，是人，尤其是領導人。
因為領導人相信、全心推行才會形成文化(所謂上行下效)，當然沒人是笨蛋，是不是真心的推行，大家都看的見，也就會決定了這個方法是否真的會成功。
領導人如何讓組織相信自己的信念，進而認同到成為佈道者，這就是領導人的領導功力，非其人不可。而且同一個人在A組織成功推行一個方法，在B組織也許就敗的很慘，反過來的案例也不少見。這也就是領導人跟組織的化學反應，氣氛對了，形成風氣了，方法就能推行，反之則敗，最有名的案例就是6 Sigma、第五級領導跟幾家說是完全運作的銀行，在成功的領導人離開之後，制度仍在，但組織會自動為新的領導人調整體質，舊制度就名存實亡，或留下遺跡。

如何讓組織變成領導人手腳的延伸，是領導人永遠的課題，沒有永遠不敗的選手，沒有絕對獲勝的方法，企管的方法論永遠都有新的、舊的、變形的，這裡面相同的方法有成功的也會有失敗的。

我喜歡看人何以敗，記之避之。看人何以勝，只看

一切唯人

今年五月，各平台陸續發表新的bot服務，為了學習golang也順便做點實驗，就順手寫了兩個平台上的機器人

Line: https://github.com/orsonwang/linebot_client

Line平台使用line官方的gloang 函式庫，直接可用

Facebook: https://github.com/orsonwang/fbbot_client

Facebook使用 https://github.com/frodsan/fbot 函式庫，但是在go 1.6會有點問題，所以我就自己Fork改了一下，雖然發了pull request回去，看來作者沒有要整併，也沒關係。 另外有 https://github.com/maciekmm/messenger-platform-go-sdk 可以直接使用，不過我懶得改過去了。

後面為了共用文字處理引擎，我借用 nats.io 來當one to many request response server，這樣就把這兩個程式變成純粹的收發平台，(幾乎)不做任何處理。

收到訊息，就把發送者ID跟訊息往後拋，讓後面文字處理引擎來回覆。

後面的文字處理本來想用jieba來斷字，但是就算斷完字，沒有語法引擎，還是要自己做patten matching，所以就乾脆的放棄斷字引擎，直接使用Reguar Expression來作業(也順便學一下RegEx的語法)。

這也回到一個問題，現在的文字服務，不管是關鍵字對應還是機器學習，最終還是需要撰寫patten matching才能提供服務，加上中文的難斷字、亂文法特性。最終會變成一個很大的map/Result，尤其是單句就完成的指令式服務，AI的價值好像很難彰顯。但是要做有記憶力的服務，難度就大幅提昇了，需要多重主詞、情境、指令的記憶點跟如何問答來補足資訊，這樣的服務用RegEx來寫，就會累死人(難以窮舉)，依靠機器學習來幫忙歸類才能讓負責寫答案的人專門寫答案。當然機器一定會有錯誤率，如果是在我所在的不能出錯行業，機器學習走監督式學習是必須的，讓機器學會把問題歸類到正確的答案區，整個對答就能很順利的完成。目前在這一塊技術，傳統字NLP領域，領先的好像是在北大，早幾年是中研院領先，但被北大超越後，好像就沒有再贏過去的發展。走機器學習來處理的，就都是中國的廠商了，台灣的廠商好像沒聽說有人投入，投入沒價值嗎？泛亞洲區用的文字幾乎都是需要另外斷字的，發展好能處理中文的，泰國、印尼、馬來西亞等新興國家都在後面等著你，好生意，誰會投資呢？

目前這文字引擎，不會聊天，都是處理金融業務的查詢，也為了做真一點的demo，就讓他提供真的匯率(背後寫了一個定時去爬台銀匯率網頁的小爬蟲)，另外也做了個覆的小能，然後就沒了，沒時間玩了。

現在在認真的測試聲紋辨識，希望能弄個方便的好東西出來。