Category Archives: Conference Sharing

Conference sharing

LINE 開發社群計畫: 20190612 Android 讀書會@LINE

「開發社群計畫」是今年 LINE 台灣開發者關係與技術推廣部門的一大重點,今年一整年,LINE 將致力於舉辦對內的技術交流、教育訓練,以及對外的社群聚會、校園演講、開發者徵才日與開發者大會等 30 場以上各式各樣的活動。我們希望創造更多技術分享與跨國交流的機會,同時持續招募優秀的人才加入 LINE 台灣的開發工程團隊。 這次很開心能邀請到 Android 社群的朋友們前來 LINE 台北辦公室! 讀書會的講座主要為兩個部分:由 LINE 的 Android 工程師 Rene Tsai 分享參加 Google I/O 2019 開發者大會的活動心得,以及熱門程式語言 Kotlin 的使用者調查結果;並由講師袁聖亞 (Cuber) 分享 Android Jetpack Architecture Paging 的功能,與如何克服使用上的挑戰。 1st I/O Experience & Bright Kotlin Future / Rene Tsai  投影片 今晚的讀書會先由 LINE 的 Android 工程師 Rene Tsai,分享於今年 5 月份接受 LINE 全額贊助,前往美國加州參加 Google 年度盛會 …

2019 Google I/O 初體驗

以通訊軟體為核心,LINE 持續發展圍繞用戶生活的各種服務,同時也抱持著開放的態度,積極與不同的平台或開發工具串聯。因此,我們鼓勵、更贊助 LINE 的工程師參與各式各樣的外部研討會,激發更多創意或合作的可能性,並於會後撰寫見聞,分享給 LINE Engineering Blog 的讀者們。 《LINE 強力徵才中!》與我們一起 Close the Distance 串聯智慧新世界 >> 詳細職缺訊息 Google I/O 是一個由 Google 主辦的年度開發者大會,匯集了來自全球各地的開發人員,與 Google 各領域專家進行面對面會談,或現場實作,且能看到 Google 最新開發產品的第一手資訊。 身為一個 Android 開發者,能參加這個會議 (或者說是開發者的盛宴) 是個夢想。今年,很榮幸也很感謝公司 LINE 的支持,全額補助我去參與這個盛大的會議。這同時也是我初次參與,留下深刻的印象。無庸置疑,我從中獲益良多,但是以我沒有想像到的方式! 從官方部落格可以知道,今年的 I/O 共有 7,200 人在 Shoreline Amphitheatre 共同參與,其中絕大部分是開發人員。而我也相信,在會議後的幾日,許多的議程分享或回顧文章肯定會如雨後春筍般出現。我當然也參與了一些議程,並且在回國後也花了一些時間補看我有興趣卻未能及時參與的議程影片。然而,參與 Google I/O 的最大價值,在我看來並不是在技術議程上,而是在現場未被攝影機捕捉到的其他活動、我的觀察以及啟發。 事前準備? 在今年出發去參加之前,我從一些已經參與過 I/O 的朋友那裡得到一些建議。其中一個就是讓我切記,在官方發布議程後,要馬上預訂好想參加的議程,否則熱門的議程很快會額滿。因為我太擔心當天在現場排隊耗時甚至還可能進入不了議程,在官方發佈的當天,馬上就把所有時段都預定好,並下定決心要盡可能參與越多的議程越好。 在那之後,我很幸運的被邀請進一個台灣香港 I/O 19′ 參與人員的 LINE 聊天群組。裡面有許多經驗豐富的 I/O 參與前輩,他們熱情又熱心的分享了實際參與的經驗。我從中獲得許多有用的資訊,並認知到什麼才是參與 I/O 最重要的事  —  沒有被攝影機留存的活動,像是,直接面對面諮詢 Google …

LINE Taiwan Security Meetup – BECKS #2

一直以來,資訊安全都是 LINE 最重視的環節之一,除了積極推動各項資安強化策略,更從今年 (2019) 開始,定期於韓國、日本、台灣三地聯合舉辦 BECKS.IO – Security Meetup,邀請各國資安研究者參加,讓全球各區域的資安研究者,透過這個聚會進行更多交流。這次的 BECKS.IO 選在士林三號出口藝廊咖啡廳舉辦,由 LINE 資安團隊主管,同時也是 GrayLab 負責人李丞鎮 (Beist),以及 LINE 資安工程師 David Liu 開場,介紹 LINE 身為國際化科技公司,積極開發 LINE Things、LINE Pay 等多元服務,並跨足區塊鏈與行車系統等領域,由超過 80 位團隊成員進行最嚴格的資安控管。而講座部分共包含三個主題,邀請到韓國 GrayLab 成員 Cheol Ung Lee (Chpie)、資安研究者 MingYen Hsieh,以及趨勢科技的 Mars Cheng 在開放而輕鬆的氛圍中,暢談不同面向的資安研究心得與實務經驗,並和與會者們面對面交流。 KKTIX 活動網頁: https://becks.kktix.cc/events/20190603 LINE Taiwan Security Meetup 系列活動將邀請 LINE 全球資安工程師、各國資安研究員定期分享最新概念,持續推廣 LINE 資安設計,以及促進資安領域經驗交流,歡迎對資訊安全議題有興趣的開發者參加。 什麼是 BECKS? 在去年韓國知名資訊安全公司 GrayLab 加入 LINE 之後,為 LINE 的安全團隊注入了一股不同的能量,GrayLab 是由頂尖資安研究者的所組成的一間公司,其中很多成員皆為世界知名的安全研究人員,同時也是韓國資安人員培育計畫 Best …

LINE 開發社群計畫: 20190531 LINE Taiwan Warm-up meetup 活動後分享

前言 大家好,我是 LINE Taiwan 的 Technical Evangelist – Evan Lin。身在數位科技時代的各位,家中有經常多達十幾款不同的家電,而每個廠商都有自己的 App。如果要能夠完全使用這些家電的功能,必須安裝至少十多個 App,其中有些廠商甚至推出兩個以上不同功能導向的 App, 這讓許多使用者感到相當困擾,而為了解決這種 App 過多的問題,LINE Things 應運而生! 就在五月中的時候,LINE Things 自動通訊功能隨著最新版的 LINE (9.6) 的更新開放給所有人,讓開發者透過 LINE Things 能夠達到的事情也更多了。本活動特別請到日本團隊 LINE Things Leader – Takaku Hiroo 來到台灣,與特地邀請的 maker 社群的開發代表們介紹新功能架構之外,也會透過簡單的範例帶領大家的來建置一個 LINE Things 的應用。最後也會開放社群開發者們提問與各種交流討論。 KKTIX 活動網頁: 活動網址 LINE Developer Meetup 開發者小聚系列活動將邀請 LINE 台灣工程師、開發者工具平台,定期分享內部開發技術,並安排優秀案例分享開發經驗,持續促進 LINE 技術平台開發與交流,歡迎對 LINE 技術平台有興趣的開發者參加。 Introduction LINE Things architecture …

AWS DeepRacer 自動駕駛賽車模擬實驗營心得分享

以通訊軟體為核心,LINE持續發展圍繞用戶生活的各種服務,同時也抱持著開放的態度,積極與不同的平台或開發工具串聯。因此,我們鼓勵、更贊助LINE的工程師參與各式各樣的外部研討會,激發更多創意或合作的可能性,並於會後撰寫見聞,分享給LINE Engineering Blog的讀者們。 《LINE 強力徵才中!》與我們一起 Close the Distance 串聯智慧新世界 >> 詳細職缺訊息 (Data Engineer, NLP Engineer) 參與機器學習開發後,能把模型放到真實機器上跑是一件很令人興奮的事,尤其是近年來很火紅的自駕車。因此一聽聞Amazon AWS舉辦機器學習戰鬥營,並透過AWS DeepRacer來實驗自動駕駛賽車模擬,幾乎是毫不猶豫就報名了。LINE的許多服務中,都使用到機器學習,更在今年優化”LINE客服小幫手”這個OA,使用自然語言處理與深度學習技術,開發可辨識語意的AI聊天機器人。因此公司一直鼓勵開發工程師可以參加外部的活動,即使活動辦在上班時間,還是可以請公假參加。 這個活動有三個很大的亮點,第一是使用AWS自家出的自動駕駛駕賽車;第二是使用不需要任何標記的強化學習模型(Reinforcement Learning, RL)來訓練;第三是完成模型訓練後,如果有不錯的成績,可以參加今年6/12, 6/13的2019 AWS Summit,把自己的模型放到usb帶到現場,用真實的AWS自動駕駛駕賽車來比賽,台灣區第一名還可以被贊助飛到拉斯維加斯參加決賽。 這次的活動比較像賽前暖身,教會你怎麼使用自動駕駛賽車模擬器,怎麼調整參數與寫強化學習中最重要的報酬函數(reward function),並使用AWS機器學習的平台來訓練與從log中發掘問題。沒有機會參加到實驗營但也很想玩玩看的人也可以參考這篇中”自駕車模擬實驗營實作”的手把手教學。 什麼是AWS DeepRacer? 大部分人可能都是第一次聽到AWS DeepRacer這個名詞,它其實是AWS出的一款1/18比例賽車,讓一般人可以透過很有趣的方式來學習”強化學習模型”(Reinforcement Learning, RL)。開發人員只要使用AWS的雲端平台,與3D模擬器中的虛擬汽車及賽道,就可以很快速的開發自駕車機器學習模型,並部署到DeepRacer上,就有機會與全球的高手一同較高下。 這部1/18比例的賽車(如下圖),目前只能在Amazon上預購,這次在會場難得有機會摸到實機(如下圖),講者特地把殼拆開,裡面由四輪驅動加裝引擎的底盤,加上搭載Intel處理器與一顆攝影鏡頭組成,其他感應器有整合式加速度器和陀螺儀。 出處 什麼是Reinforcement Learning? 目前的機器學習種類主要分為三種(如下圖): 監督式學習(Supervised Learning),非監督式學習(Unsupervised Learning)與強化學習(Reinforcement Learning),其中強化學習不同於監督式學習,不需要標記資料,又與非監督式不同,是一種互動式的學習。例如要教狗學坐下這個動作,可以透過給狗狗獎勵,讓狗狗自己去探索坐下可以得到獎勵,透過學習把獎勵(reward function)最大化的過程,就是強化學習的核心精神。 出處 即使之前沒有聽過強化學習,應該還是有聽過AlphaGo 或AutoML吧!這兩個厲害的產品背後都是用到強化學習的技術。所以它到底是怎麼運作的呢?這邊直接以DeepRacer當例子大家可以比較快進入狀況,首先來認識幾個詞:在這邊賽車代表agent,賽道代表environment,state是賽車在賽道中某一時刻的狀態,action則是賽車(agent)在目前state做出的反應,包含特定的速度與方向盤旋轉的角度的組合。最後reward會根據action算出一個回饋的分數。 簡單來說,整個任務是要訓練賽車(agent)去適應賽道(environment),這個agent會將每個時間點觀察到的集合當作環境的state,從環境的state跟reward再去選擇最好的一個action,稱作策略(policy)。強化學習的目的就是要找出一個最好的policy,可以讓reward最多。而強化學習的核心,就是需要去設計這個reward function。 出處 要了解學習的過程,可以把賽道簡化為下列圖表,每個格子給一個分數,愈接近中線分數愈高,當賽車跑完第一趟時(如圖一),可以計算出這趟的分數,學習結果希望分數愈高愈好,因此車子就會不斷的嘗試(如圖二),直到得到最高的分數(如圖三與圖四)。值得注意的是這邊有一個小陷阱,如果reward function設計只單純設愈高分愈好的話,車子最終也許會盡可能走遍所有的格子來達到目的,但實際上這樣卻會花更長的時間才能抵達終點,因此可能需要加入步數的判斷,設定愈少步分數愈高,則可解決這個問題。 出處 出處 出處 出處 DeepRacer其實已經把強化學習的模型部份實作好了,但開放給大家設計reward function的彈性來體會強化學習的精神,在這個任務中,有以下參數是可以加入reward function的: …

LINE Developer Meetup #8 開發者小聚活動後分享

大家好,我是 LINE Taiwan 的 Technical Evangelist – Evan Lin。很開心在這裡跟各位分享本年度的第二場開發者小聚。這次的場地又回到台北的 GO92 志業中心,並且邀請了兩位 LAE (LINE API Expert) Will 保哥與 David Tung 董老師來分享 LINE Notify 與 LIFF (LINE Frontend Framework) 。 KKTIX 活動網頁: 活動網址 LINE Developer Meetup 開發者小聚系列活動將邀請 LINE 台灣工程師、開發者工具平台,定期分享內部開發技術,並安排優秀案例分享開發經驗,持續促進 LINE 技術平台開發與交流,歡迎對 LINE 技術平台有興趣的開發者參加。 官方帳號 2.0 開發者需要知道的事 / 資深開發技術推廣工程師 Evan Lin 投影片 首先一上場,來回顧一下自從上次 (03/29) 的開發者小聚之後,到本年度第二次開發者小聚之間究竟發生了哪些的訊息。對外的活動有: TWJUG(台灣 Java 開發者社群)@LINE …

Google Developers ML Summit 2019 心得分享

Google近年來積極的整合機器學習的雲端服務平台與服務,致力於對各種角色的開發者提供不同的解決方案,並在今年舉辦Google Developers ML Summit Taipei 2019,在會議中展示新服務的同時,也透過Codelabs帶領開發者免費體驗服務的優點。LINE雖然在雲端服務這塊沒有直接使用Google的解決方案,但是公司非常鼓勵開發工程師可以多參加外部的研討會,吸取外部的經驗來充實內部的產品。 今年的活動由Google的技術傳教士上官林傑開場,介紹了Google ML的幾個亮點產品:除了TensorFlow 2.0的推出讓使用者進入deep learning的門檻降低外,對Mobile與IoT開發者來說,TensorFlow Lite可支援在手機甚至是Edge TPU上跑輕量化的TensorFlow model,也可以直接用ML Kit + Firebase快速開發app的AI功能;對前端開發者而言,用TensorFlow.js就可以輕鬆訓練模型,讓訓練過程視覺化 (例如:https://playground.TensorFlow.org)。而為了解決大部分人想要用deep learning但苦無data的痛點,使用Cloud AI就可以輕鬆連結Kaggle資料,或用Auto ML有效的利用小dataset來訓練模型。最後也可以透過Google Colab平台來體驗TPU威力。 整天的議程內容圍繞著4個重點講題:1. TensorFlow 2.0 & Cloud TPU, 2. Cloud AI & Auto ML, 3. ML Kit for Firebase, 4. Action on Google,非常充實緊湊,並在最後針對這4個項目分組進行Codelabs,參加者可以針對有興趣的項目實際操作體驗,增強學習效果。 TensorFlow 2.0 Updates 講者: 佐藤一憲 / Kaz Sato, Developer Advocate, Cloud Platform Google TensorFlow 從誕生至今 3 年多已經成為使用率最高 deep learning framework,但由於 TensorFlow 是基於 Google 自己的需求開發而成,存在不少讓 developer 十分困擾的問題 (例如 runtime debug 不易、很多 duplicated 和 depreciated …

Service Plus 2019 – 服務設計工作坊 [價值導向的服務設計流程實踐:以台北捷運服務為例]

前言 以往做服務設計,為了做出差別性,大多注重科技創新、或技術突破,力求做出很炫或完全不同的設計,但有時可能忽略了商業價值與用戶價值,導致合作夥伴未覺投資有利,或讓用戶體驗不佳。 在規劃與設計新服務時,同時考慮其可有的商業價值與足以吸引用戶持續使用的條件,成了現今服務設計的重大挑戰。 LINE一直在求新求變的環境中,尋求帶給用戶極佳體驗的服務,除了公司內部舉辦的workshop,最棒的是也有機會可以參與外部工作坊,豐富我們的體驗與創意。 於是這次研發團隊與服務設計團隊參加了Service Plus 2019當中,由螞蟻金服旗下支付寶,高級體驗設計專家 金華靜介紹其企業做服務設計的流程,並循著她帶領大家做工作坊的方式,體驗了他們做服務的內部流程與方法,在此跟大家分享一下我們的活動心得筆記。 Service Plus 2019-價值導向的服務設計流程實踐, 支付寶經驗分享 背景介紹:何謂價值導向的服務設計 過去的服務設計流程,多是為了解決用戶問題或偏向技術導向,因此關注的焦點就比較集中於下列項目: 傳統服務設計方式 關注:用戶 分析:用戶體驗問題,可作服務設計的機會點 服務設計執行:主觀經驗驅動設計,更多時候是在接需求 服務設計驗證:先定事情再定指標,線下以定性為主,數據驅動僅看線上 價值導向的服務設計是,先從業務目標開始往下展開,到設計目標,最終是設計策略。 業務目標: 業務上需達成的目標,類似KPI、OKR; 同時考慮到用戶與他人(客戶或合作夥伴等)在這服務當中獲得的價值 設計目標: 通過設計手段幫助企業達成商業目標的過程結果 設計策略: 為了達成設計目標的手段和途境 於是, 關注的焦點有了些微調整 價值導向服務設計方式 關注:用戶, 客戶或合作夥伴,整體生態圈與競爭對手 分析:設計目標,設計策略 服務設計執行:客觀目標驅動設計,設計驅動業務 服務設計驗證:先定目標再定指標,關注線下設計驗證,數據驅動形成完整的閉環 這中間過程中,有可能在發展設計目標或設計策略時,發現業務目標或設計目標無法達成,進而反覆做修正,經過不斷的迭代後產出最終的最佳方案。 在這樣的流程中,較可避免企業在研發或做服務設計時,只注重業績而未顧及用戶與他人(客戶或合作夥伴等),或只顧及設計而沒考慮業績目標。 除了在過程中得出最佳的方式去達成最高的目標之外,也同時考慮到線上線下的結合,使服務設計更趨向完整。 方法論介紹:支付寶設計團隊的服務設計流程 螞蟻金服在這個橋段,毫不吝嗇地分享他們實作的服務設計流程,就如同他們在這個環節提及不斷迭代找尋並修正服務設計,我們也從中發現我們重疊的好方式,也有我們可以改進的地方。 D&O → O&D(Discovery, Value-Orientation, Omni-Channel, Data-Driven)  Discovery(探索)  & Value-Orientation(價值取向) 在探索尋找潛在新機會時, 同時考慮用戶以及整體環境相關的關係人,也就是假設新服務上線, 能各帶給所有人的相關價值。 在考慮商品與所有相關關係人的價值時,也可能從中找尋出不同或一開始沒想到的新服務需求。 Omni-Channel(全通路) & Data Driven(數據驅動) 觀察數據, 以數據驅動服務優化或創新是基本,須結合線上線下,以最貼近用戶的使用方式,找出須優化的點,最佳優化方式,以及可新增的服務。 如此設計的服務,比起單獨關注線上數據,更能符合期待。 實際場域探索與實體模擬測試 在這個環節,印象較為深刻的是,主講人特別提到他們有要求成員前往實際用戶會使用的場域,直接做完體驗。 …