影像辨識，其實我們的做法是用了兩個深度學習的model：第一個是認照片、認裡面有什麼東西，像我現在照照片，裡面有人、桌子跟飲料。第二個model是用資料語言處理，像我現在有人、飲料、桌子，然後我要造句，這個造句的部分是NLP，我們不能說造句之後再翻譯，這不見得會work，這個不能直接做，我想Paul專家會比我清楚一點，因此我們是language skill up其實並不是很trivial。
影像辨識，其實我們的做法是用了兩個深度學習的model：第一個是認照片、認裡面有什麼東西，像我現在照照片，裡面有人、桌子跟飲料。第二個model是用資料語言處理，像我現在有人、飲料、桌子，然後我要造句，這個造句的部分是NLP，我們不能說造句之後再翻譯，這不見得會work，這個不能直接做，我想Paul專家會比我清楚一點，因此我們是language skill up其實並不是很trivial。