柯達

柯達公司原來不是沒做數位影像，是做錯了方向。

下面的文章是講柯達從底片相機的時代到數位拍照的時代的轉型失敗例子。

https://meet.bnext.com.tw/articles/view/49278?utm_source=web&utm_medium=facebook&fbclid=IwAR1VBsaXET6Q_ID1rUJRddeTNYNeeQaGwrew9zeTEonyXkGNnx7MNTUkcoU

柯達不是沒轉型，只是做錯的方向，太投入在數位沖洗相片，沒想到現在根本沒什麼人把照片洗成實體了，手機、平版就是相框了。

SCA

 SCA這一個領域在10公司開始之後，就導向了另一個里程。早期的SC公司主力在做細胞的分離，10公司的出現，讓分離技術變得不重要，所以，早先做sc的公司，都呈現搞不下去的情況了。想一想，分離技術在我畢業的時代應該就是一個高峰了，沒幾年就被barcode的技術橫掃了。barcode可以處理的量大很多，市場也相對變大。目前做sc研究的人，很難不走向新的技術了。

而新的硬体方法重點不在分離，而在如何把barcode 和細胞做match，而配合match方法進而出現的分析算法也如春筍般出現，一方向data的量和早期sc的年代(也就8-9年前)不可同日而語。

sca會是未來的大勢嗎？如果可以做sca，很多東西/研究(？)應該都不會再去做bulk seq。這樣的變化有多少呢？市場上目前最大的問題在？

CV & AI

這學期修了兩門必修的重課，Computer Visison 和AI。

只能說前幾個學期都太輕鬆，遊走在爽課之間，一門課一週大概只要用10-15小時的時間。這兩門必修課，每一門課花掉我 20+小時/週的時間。兩門課合起來就超過一個正職工作的時數。而且，這數字不是只有我如此，omscs的同學們幾年來累積的平均數字在課程討論網站上也是一樣的時數。

MLOps

這玩意最近很紅。我花了一點時間看了一下這是什麼概念，有沒有機會是一個好產品。

其實MLOps很多公司已經有產品了 ，微軟、HP一類的大公司不說，小一點的新創像 Databot或什麼的也都有自家產品了。再我看來MLOps的確是一個平台化的產品，但是以小公司的情況來想，完全跟隨現有的MLOps並不是一個好產品。

a. 現在時間點上，小公司已經失去做這一個產品的時機了。比較好的策略是利用現有的平台(像微軟)去找某一個產業(像廣告行銷)的客制化模型機制。昨天和老同學M(資深PM)討論了產品定位/訂價的問題，也得到一樣的心得。微軟產品/平台沒有辦法合於每一個產業，像AOI就一直需要高度客製，小公司的利基現階段已經被推到客製化，並需要深入了解某一個產業了。

b.Andrew Ng上個月在油管推出了針對MLOps的談話，他的重點就是現在有MLOps都太model 中心了，應該是要data 中心的。data中心很重點的一步就是要推高資料的品質或數量。這也在fb上一位好友C的討論中得到的其它人的回響。資料中心的想法和現有主流的MLOps的設計沒有那麼契合，想一想和若水這種手把手做資料處理的公司反而比較接近。

https://youtu.be/06-AZXmwHjo

整理的方法 --- 資料結構

和一大群人來媽媽山，卻決定放棄一天滑雪。留在小木屋裡研究TRIE和TREE。
這其實是在上COURSERA的BIOINFORMATICS 6才知道的東西。但是，COURSERA的課程裡講的真的是非常的不清楚。大概要原本就知道的人才能看懂。為了看懂，GOOGLE了一下，發現TRIE和TREE是資料結構裡的重點概念。

Bioinformatics

2017下半年的閒暇時間幾乎都在搞bioinformatics。

說來有兩個原因。第一是新工作的原因，開始比較大量地接觸生物科技的東西，為了搞清楚同事們到底再說些什麼，就自己東看西看，到處google一些相關的東西。不過，自己東查西找非常沒有系統，知識也非常零散。 另一原因，是自己那時在看"改變世界的演算法"一書。同時在想的兩件事，有一個共同的交集，就是bioinformatics。於是在線上課的網站上找到了ucsd的一系列課程。