關於 深度訪談法範例 ，我們在網路上蒐集到這些相關的討論、資訊與評價

#合作邀稿✍🏻
#貢丸湯料理教室之戶外教學日

同樣身為地方文化工作者的 老寮Hostel，默默耕耘著苗栗南庄。除了發行獨立刊物，他們也推廣在地的深度旅遊。大家有空的時候歡迎去南庄找他們玩，感受一下農村的日常風景！今天就先來聽聽創辦人關於田野調查的分享吧！

📖　📖　📖　📖　📖

地方文化工作的田野意義｜By 《耕山農創》創辦人 邱星崴
　　
「田野調查」可以說是地方文化工作者的基本功，這件事情的意義就好比於田地之於農夫，沒有耕耘絕對不會有收穫，事實上，兩者有許多相似的特質。

例如：
1. 田野狀況與田地一樣充滿不確定性，需要看天、看運氣。
2. 熟練與否的關鍵在於對各環節的掌握，而且某種程度上不可逆，只能等待下次或另外開闢。
3. 產出好壞有賴於先前投入的程度，仔細的材料才可能產出優秀的成果。
4. 成果可以再加工為其他用途，米可以做米酒、米麵包、粄條、碗粿等；田野成果可以再發展為小旅行、文創、展覽、刊物等等。
　　
如同務農一樣，田野工作也有好壞之別。許多人誤會田野就是訪談，就好比將農業專業簡化為種出來可以吃就好，事實上歪棗劣果反而讓人食不下嚥。我認為所謂「好的田野」應該建立在廣度與深度上，前者意指建立良好的田野關係網絡以及各種範疇的熟悉；後者則是提煉在地文化理念型的能力。前者往往也是後者的必要條件。
　　
首先，我們來討論田野的廣度。對田野工作者來說，建立田野關係是進入田野現場最關鍵的一步，可以說沒有田野關係就沒有田野資料，因此，編織田野地的報導人人際網絡相當重要。此外，沒有人可以觸及到田野地所有的層面，但工作者對自身的網絡型態也要有所警醒，理解自身的侷限，由於文化滲透在地方生活的方方面面，性別、政治、經濟、宗教等等，彼此交互指涉，跨出不同範疇才能立體地掌握地方文化。
　　
到了此階段，我們才有機會討論田野的深度，這有賴於穩定、良好的田野關係，以及對地方生活的熟稔，才有辦法產出夠多細緻的材料，描繪地方文化的輪廓。田野的深度就是刻劃以及詮釋的精準度。畢竟，真實的地方生活總是瑣碎、重複或一直發生各式各樣的狀況，從表面上看不出什麼「文化」。田野工作的困難之處，就是從日常生活的表象讀取出深層的文化邏輯。當田野工作者能夠提煉地方的理念型，接下來就能嘗試長時段的觀察，比較該社群或地方的歷史演變，我們才能捕捉出在地的洞見以及結構的力量，並且嘗試行動與修補。
　　
見域在新竹舊城區的努力，就是兼具田野廣度與深度的優秀案例：透過每季不同主題的發刊，探索在地不同的範疇，培養深刻的理解，並且在地方逐步生根、開展公共行動。我印象最深的一次是參加舊城區的導覽，見域團隊清楚地透過道路銜接指出舊城區不同時期的演變，從一條馬路看出清代、日治到戰後不同政權的特質，顯見該團隊對此區域用力頗深。而這也是他們的行動基礎，還號召了公民論壇，討論新竹市區更好的交通規劃。對我而言，這就是相當優秀的田野工作範例。
　　
最後，我想說田野工作對於青壯世代的文化工作者尤其重要，這是與母土對接的方式。出生於80年代後的世代，台灣各地的文化棲地已經被現代化、工業化支解，相比於長輩，我們在日常生活中承襲的「文化」多半支離破碎，這點在母語能力上最為明顯，年輕人往往無法使用許多高深精準的母語詞彙。因此，相比於上個世代的文史工作者，田野能力的優劣對我輩更加關鍵，見域在此做了很好的示範，正值五歲紀念，是最蹦跳、靈活的時候，祝福見域，一定能繼續發光發熱。

<芬蘭封省、徵召受過醫護訓練者工作>

芬蘭確診病例(不包含輕症無檢測者)，昨晚增加到880例，今天超過950例，明天就會破千了.

過去這一週來，芬蘭得過諾貝爾和平獎的前總統Martti Ahtisaari和夫人都確診，因為他們在婦女節前一天去聽了一場音樂會，當時芬蘭政府還沒有"醒來"，也還沒有限制500人以上的活動不准舉辦，結果那場音樂會裡有數人確診，之後前總統夫人就確診了，然後前總統幾天後也跟著確診。

昨天晚上22點到23點之間，芬蘭政府召開記者會，宣布將封閉新省三週的決定。

新省是芬蘭首都所在省份，包括26個不同的城市，也包括我們的，人口170萬，佔全國1/3左右。

封省三週的目的，是要確保全芬蘭不會同時生病，目前芬蘭半數以上病例都來自新省，芬蘭很多新省人都在鄉下地區有木屋，最近為了躲開疫情，一堆人週末跑去鄉下木屋，結果讓鄉下的城鎮很緊張，因為他們的醫療資源更少，萬一這些從首都去的人把病毒帶去、且在那裡生病，會馬上為醫療系統帶來負擔，所以有的城鎮還特別發出聲明: 請你們新省人暫時不要來木屋，等疫情過後再來。

封省的意思，指的是人民不得隨意進出，要回家的還是可以跨越省界回到自己的家、媒體記者仍然可以進出、部分公職或不可能遠距工作的人還是可以進出邊界上下班，貨物還是可以流通，新省境內的人員流通則不受限制。

今天，新省所有聯外道路設上二三十個警察檢查點，之後如果警察人力不夠，可能會要請國軍也來幫忙。

接下來的三週或是更久，我們都不能離開新省，也就表示，不可能回鄉下去看阿雷爺爺奶奶，他們也不可能過來，其實不管有沒有封省，在目前的疫情下，原本就是打算互相隔離，我們也沒有計畫回鄉下，所以封省帶來的影響，主要是心理上的。

忍不住會想，就這樣被管制不能離開了，這樣的情況還要持續多久呢?

政府也在考慮關閉所有餐廳咖啡酒吧直到五月底，不過這項措施還沒有得到國會的共識，所以暫時還沒辦法實行，倒是總理已經開始要求大家自主關閉，外賣可以，但是不要開放空間用餐，當然這也是對所有餐廳咖啡店業者的大考驗，昨天看新聞，連精緻飲食餐廳都開始外賣披薩了，因為餐廳也需要想辦法活下去啊…

到目前為止最嚴格的措施之一，大概是醫護人員徵召措施: 所有18歲到67歲、曾受過醫護人員相關教育者，無論現在從事什麼工作、是還在念書、還是已經退休，政府都可能會徵召你加入醫護行列，因為疫情再發展下去，醫療資源會跟著吃緊，這也是讓我感覺最像戰時的措施，不只是在一定時間內限制個人行動，甚至必須要求(強迫)個體在這段期間內從事特定工作。

今天早上，看到赫爾辛基日報一篇深度分析文章，寫得很好，深度解析芬蘭對於疫情發展的預測與他國的異同處，同時把韓國、新加坡、香港、台灣通通拿來說，文中說這些地方雖然抗疫方式不完全相同，但同樣的是重視大規模的測試以抗疫，因為這是主動積極的抗疫做法。

其實除了這篇報導外，最近芬蘭媒體報導最多的範例是韓國，因為韓國之前疫情實在太嚴重，卻能夠在那樣的大爆發階段還能用大量檢測的方式控制住，非常值得參考。

文中最後也提及，芬蘭衛生部的專家曾在訪談中認為，疫情已經不可能阻止、只能減緩，所以大規模的檢測沒有意義。有趣的是，赫爾辛基大區醫院裡的專家則不同意，認為擴大規模的檢測，才能有效停止疫情散播，只要將1個人的傳染值降到少於1人，疫情就會慢慢停止傳播。

對我來說，我很高興總算看到一篇深度分析的文章，採訪很多不同的專家，綜合不同的國家經驗，至少不是只有一種聲音(比方只有衛生部門的官方聲音被聽見)。

然後剛才又看到芬蘭國家廣播公司做的民調，到目前為止，人們對芬蘭總統的滿意度最高，其次是總理，大多數芬蘭人對於政府到目前為止的防疫做法都還算滿意，甚至對衛生部門也滿意，不過相較下來，對衛生部門不滿意的批評聲音也最多，我一點都不意外，因為他們一直讓我覺得是不戰而降啊，病毒還沒蔓延時，說芬蘭不太可能成為疫區，結果案例一開始增加，就直接說我們已經擋不住了，也難怪會被批評。

前陣子芬蘭也說會有約20萬個芬蘭人從全球各地回國，結果這個數據一公開嚇了衛生局一大跳，馬上把對疫情評估的嚴重性提高，因為這些人，之前機場既沒提醒他們隔離，也沒有給任何指示，有的從更嚴重的疫區回來，就直接坐上公眾交通工具回家了。今天芬蘭總理也坦言，這一點確實當時沒有做好。

接下來會如何沒有人知道，只是昨天總理也說了，目前封新省三週，五百人以上活動禁到五月底，特別法(包括學校關閉和禁止十人以上群聚）到四月中，實際上這些日期彼此之間都必須做個協調，而且很可能是要延長的，我自己是開始覺得，可能學校會繼續關閉到五六月，如果疫情能夠在夏天之前好轉，真的就謝天謝地了。

很快地我們就在家裡"閉關"快兩週，心中是五味雜陳，既有收穫，也有擔憂, 媽媽我呢，雖然珍惜三人共同在家相處的時光，但是小小的公寓沒有獨立的個人空間，三個人從早待到晚連續兩週，我開始覺得很需要自己的安靜空間，但是現在哪都不能去啊，今天就因為阿雷在背後蹦蹦跳跳，讓我無法專心工作而覺得很焦燥，我比較擔心的不是病毒本身，而是接下來幾週，該如何在狹小的工作和生活共用空間中，仍能維持心情的平靜呢?

阿雷學校的遠距教學越來越多元化，明天就要全班視訊上課，媽媽我也開始養成盡可能上網買菜的習慣，芬蘭疫情目前離高峰期看來還有段距離，事情也許還會接著有很多變化，疫情造成很多難題，但是社會也有出現一些正向的能量和新鮮的創意，這場疫情既是身的考驗，也是心的考驗，真是不容易的習題啊!

所幸週末將至，至少可讓身心好好休息一下。

也祝讀文的大家，一切安好!

AI機器人將如何顛覆製造業？

面對AI機器人帶來的破壞式創新，台灣製造業該怎麼把握機會，在自動化典範轉移的亂局中，占有一席之地？

Bastiane Huang
Feb 6 · 1

在先前Robotics 2.0系列文章中，我們討論了AI如何讓機器人做到過去做不到的靈巧工作，並能夠開始自主學習。第一篇文章介紹了AI如何開啟Robot2.0時代。第二篇文章則描述AI機器人在倉儲運輸業的應用，透過觀察這個新技術的第一個應用場景，來預測這一切將如何影響我們的生產力、就業狀況以及日常生活。

這篇文章我們將聚焦目前大量運用傳統機器手臂及自動化設備，同時占台灣產值最高（30%）的製造業。具有自主學習能力而且靈巧的AI機器人，將如何影響製造業流程及整體產業結構？供應鏈上的各廠商又該如何因應Robotics 2.0帶來的破壞性創新？

「未來已經到來，只是先被一部分人看見。」 — 作家威廉．吉布森

The future is already here — it’s just not very evenly distributed. — William Gibson

製造業自動化現況

根據國際機器人聯合會（IFR）發布的最近報告，全球工業機器手臂的出貨量在2018年創下新紀錄，來到38萬4,000台。其中中國仍是最大市場（占比35%)，接著是日本，美國，台灣排名全球第六。

汽車以及電子製造業依然是工業手臂的最大應用市場（占比60%)，遠遠領先其他包含金屬，塑膠及食品等產業。具體原因我們在第一篇文章也討論過，由於傳統機器人和電腦視覺的限制，目前除汽車業和電子業以外，倉儲、農業和其他產業幾乎都還沒開始使用機械手臂。而這樣的情形將會被AI機器人及深度學習等新技術所改變。看到這裡，你可能會想：自動化及工業機器手臂在製造業既然已經有幾十年的歷史，該自動化或可以被自動化的部分應該都已經自動化了，還有什麼創新的空間呢？

出乎意料地，就連自動化程度最高的汽車製造業，離所謂的全自動化關燈工廠（lights out factory）也還有很大一段距離。舉例來說，汽車組裝的部分大多依然是由人工來完成。這也是車廠最勞力密集的部分，平均一間汽車工廠裡有3分之2的員工都在裝配車間。就連一向追求革新與顛覆，主張追求最高自動化的特斯拉執行長馬斯克，都不得不公開承認，特斯拉生產線自動化的進度不如預期。

究竟為什麼自動化這麼困難？

自動化至今無法跨越的技術限制

現今的自動化生產線普遍為大量生產設計，因此能有效降低成本，但也因此缺乏彈性。面對消費者越來越短的產品生命週期，越來越多的少量多樣客製化生產需求，人類往往比機器人更能夠因應新的產品線，也不需要花費很多時間去重新編寫程式或更改製造工序。

1. 靈巧度與複雜度

儘管科技在快速進步，人類還是比機器人靈巧許多。在訪談電子代工廠商的過程中發現，儘管組裝產品（assembly）已經高度自動化，但備料（kitting）的程序還是必須由人來完成。

備料在製造及倉儲業都很普遍，是提高生產效率的重要步驟。指的是把組裝產品需要的各個零散部件集合起來，打包並放置在工具包（kit）的過程。之後機器人再從工具包中拿取各個零件並進行組裝作業，這時候因為各個零件都在一個固定的位置和角度，自動化編程相對容易。相反地，備料時必須從雜亂無序的零件盒中辨識並拿取零件，零件的位置角度不一，甚至可能重疊或纏繞在一起，這對現有的機器視覺及機器人技術都是一項挑戰。

2. 視覺與非視覺性的回饋

另外一方面，很多複雜的裝配作業需要靠作業員的經驗或「感覺」。不論是安裝汽車座椅或是將零件放入工具包裡，這些看似簡單的動作，事實上都需要作業員或機器人接收，並根據各種視覺甚至觸覺訊號，來調整動作的角度及力道。

這些精細的微調使得傳統的自動化編程幾乎派不上用場，因為每次撿取或放置物品都不完全相同，需要像人一樣有從多次的嘗試當中，自主學習歸納的能力，而這正是機器學習，特別是深度及強化學習，能夠帶給機器人的最大改變。

Robotics 2.0：AI可以讓工廠機器人做到哪些事？

AI帶給機器手臂最大的改變就是：以往機械手臂只能重複執行工程師編寫程序，雖然精準度及速度都很高，但卻無法應對任何環境或製程改變。但是現在因為AI，機器可以自主學習更複雜的任務。具體來說，AI機器人較傳統機械手臂在3大方面有重大突破：

1. 視覺（Vision System）

就算是最高階的3D工業相機，仍然無法像人眼一樣，既可以精準判斷深度距離，又可以辨識透明的包裝、反射表面、或是可變形物體。這也是為什麼很難找到一款相機，既可以提供準確的深度，又能夠辨識大多數的包裝及物品，然而，這樣的情形很快就會被AI改變。

機器視覺在過去幾年取得了巨大的進展，幾間來自於矽谷及波士頓的新創，包括OSARO和Covariant，利用深度學習（deep learning），語意分割（semantic segmentation），及場景理解（scene understanding）提高了低階相機的深度及影像辨識，讓製造商不需要使用昂貴的相機，也能得到足夠準確的影像訊息，成功辨識透明或反射物體包裝。

2. 可擴充性（Scalability）

深度學習不需像傳統機器視覺一樣，需要事先建構每一個物品的3D模型。只需要輸入圖片，經過訓練，人工神經網路就能自動辨識影像中物體。甚至能使用非監督或自監督學習，降低人工標籤數據或特徵的需要，讓機器更近接近人一樣的學習，免去人為干預，讓機器人面對新的零件再也不需要工程師重新編寫程序。隨著機台運作，收集到的數據越來越多，機器學習模型的準確度也會進一步提升。

目前一般生產線通常有震動台、送料器、輸送帶等週邊設備，確保機器人能夠正確拿取需要的部件。如果機器學習再進一步發展，讓機器手臂更加智能，或許有一天這些比機械手臂更昂貴四五倍以上的週邊設備將不再被需要。
另一方面，由於深度學習模型一般儲存在雲端，這也讓機器人能夠互相學習，共享知識。舉例來說，若有一台機器手臂經過一個晚上的嘗試，學會如何組合兩個零件，便能夠很輕易地將這個新的模型更新到雲端，並分享給其他同樣也連結到雲端的機器手臂。這不但省去了其他機器的學習時間，也確保了品質的一致性。

3. 智能放置（Intelligent Placement）

一些對我們來說一點也不困難的指令：請小心輕放，或把物品排列整齊，對機器手臂而言卻是巨大的技術挑戰。
如何定義「小心輕放」？是在物體碰觸到桌面的瞬間停止施力？還是在移動到距離桌面6公分處放手讓物體自然落下？或是越靠近桌面就越降低速度？這些不同的定義又會怎麼樣影響物品放置的速度和精確度？

至於將物品「排列整齊」就更困難了，先不論每個人對整齊的定義都有所不同，為了能將物品精準地放置在想要的位置及角度，我們首先必須要先從正確的位置拿取物品：機械手臂依然不如人手靈巧，且目前一般機器手臂大多使用吸盤或是夾子，要做到人類關節及手指的靈活度，還有一大段距離。

其次我們要能即時判斷夾取物體的角度位置及形狀大小，以下圖的杯子為例，需要知道杯口朝上或朝下，要側放或直放，也要知道放置的地方有沒有其他物品或障礙物，才能判斷將杯子放在哪裡才能最節省空間。 我們因為從出生開始就在學習各種取放物品的任務，這些複雜的作業幾乎不加思索就可以完成，但機器並沒有這樣的經驗，必須重新學習。

經由AI，機器手臂可以更精準地判斷深度，還可以透過訓練，學習判斷及做到杯子朝上，朝下等不同狀態。也可以利用對象建模（Object Modeling），或是體素化（Voxelization），來預測及重建3D物體，讓機器可以更準確掌握實際物品的大小和形狀，進一步將物品放到該放的位置。

AI機器人將如何顛覆製造業？

現在我們知道AI可以讓機器做到許多以往做不到的事，但這對製造業現行的產業結構又會有什麼影響？誰能夠把握住新科技典範轉移技術帶來的機會？哪些公司又會面臨前所未有的挑戰？

AI機器人帶來的破壞式創新（Disruptive Innovation）

破壞式創新由哈佛商學院教授克雷頓‧克里斯汀生（Clayton Christensen）在其著作《創新的兩難》（Innovator’s Dilemma）當中提出。理論的中心思想是：
產業中的既有業者一般會為了服務現有客戶（通常也是利潤最高的客群），而選擇專注於「持續式創新」，改善現有的產品及服務。此時，一些資源較少的小公司把握機會，瞄準被忽略的市場需求，而取得進入市場的立足點。
破壞式創新又分為以下兩種：

（1）低階市場創新

一般大家較為熟悉的是「低階市場創新」，數位照相技術就是一例。早期的數位相機不僅解析度不佳，而且還有快門延遲很長的問題，但隨著數位照相品質及解析度逐漸進步，數位相機逐漸從低階市場晉升為主流。諷刺的是，柯達雖然研發出數位相機，但卻因為無法放棄當時該公司占據全球3分之2的底片市場，而最終被新技術淘汰。這正是所謂的「創新的兩難」，既有業者雖然看到新科技的威脅，但卻因為現有公司結構，策略等種種原因無法及時因應。

（2）新市場創新

「新市場創新」則是指新進公司瞄準既有公司尚未服務到的「新市場」進行創新。例如，電話剛推出的時候只能被用來做短距離的本地溝通，因此電報產業當時的領先者Western Union拒絕購買發明家貝爾的專利，因為該公司最賺錢的是長途電報市場，當時甚至不認為短途溝通會是一個市場，更不用說預見後來人人都用電話溝通的情景了。

而AI機器人帶來的，正是「新市場的破壞式創新」！

目前汽車及電子製造業占工業機器手臂出貨量的60%，這也導致市場領先者發那科（FANUC）、ABB、KUKA、安川（YASKAWA）專注於「持續式創新」：做他們最擅長，客戶也最需要的，進一步提高速度及精度。這也使得其他諸如倉儲業、食品製造業，或製造業中的「備料程序」成為被忽略新市場。這些客戶並不需要這麼高速度，高精度的作業，但需要機器手臂更靈活，更能彈性自主學習辨識及處理不同的零件或是工作。

新創AI機器人公司看到這樣未被滿足的需求，開始將人工智慧應用在機器人上，使得機器手臂可以被用在備料，包裝，倉儲等新市場。他們使用較低階的相機搭配機器學習模型，讓以往只能由人工作業的備料，貨物分撿等程序自動化，讓機器手臂可以被運用在更多不同的地方，甚至整個產業。

有趣的是，這些新創公司一般不自行生產機器手臂，而是專注於開發機器學習模型、機器視學及控制軟體，在硬體方面則選擇跟既有機器手臂廠商合作。因此，你可能會想，就算這些機器手臂公司不追求AI創新，他們也不會被時代淘汰，因為自動化還是需要硬體的供應。

但是，這樣想忽略了幾件事：

首先，有些機器手臂公司已經先嗅到了商機，並開始一邊與這些新創公司合作，一邊建立自己的AI團隊。這些公司因為率先採取行動，可以更快地在這些以往服務不到的新市場中建立客群，進一步領先競爭對手。

其次，隨著AI應用的普及，產業鏈中的最大價值，會逐漸由硬體轉向軟體及數據。 這點，我們已經可以從無人車的發展趨勢中看出。一但無人車可以做到高度自主，大部分的價值都會在掌握無人車機器學習模型及自駕數據的特斯拉，或Google等公司的手裡。這也是為什麼車廠人人自危，不是積極併購就是跟矽谷的軟體AI新創公司合作。相比起來，機器手臂及製造商對AI技術的接受速度似乎還不及汽車製造商。

AI機器人帶來的挑戰與機會

AI及機器人的結合帶來許多的可能性，但是這些改變絕非一蹴可幾。機器手臂公司縱使開始投資AI，也依然會面臨當初柯達所面臨的「創新者的兩難」。

要如何重新打造組織及發展策略，才能夠讓轉型的負面影響降到最低，也考驗各個公司管理階層的判斷與決心。

另一方面，開發全新市場也絕非簡單的事，新創公司仍需要和製造廠商密切合作，開發更貼合客戶需求的解決方案。 製造業的流程甚至比倉儲更複雜多樣，新創公司雖然了解AI及機器人技術，但卻不一定了解製造流程。這也給台灣製造廠商一個搶得先機成長轉型的最佳機會。

如果台灣廠商能夠率先和這些新創公司合作，不僅能透過流程自動化提升生產效率及品質，還能做到以往較難做到的少量多樣客製需求，擺脫大量製造，削價競爭的紅海策略。更可以成為新一代AI機器人的試驗場，和國際新創合作開發針對電子或半導體製造業的專屬解決方案，進而銷售到其他國家。

日前，曾任職於Google與百度的吳恩達（Andrew Ng）受邀來台演講中也指出，台灣應該善用自己在半導體與製造業的既有優勢，發展人工智慧，成為除了矽谷、北京之外的下一個AI Hub。 相較於其他像是零售或是消費性網路領域這些現在發展相對成熟的AI應用，台灣在製造產業中發展人工智慧，不但更具有了解應用案例、掌握數據等優勢，也有機會能夠藉由AI機器人等新技術，達到產業轉型的目的。

附圖：KIT工具包 — source: kitting-assembly.ca
深度學習物件辨識範例，由左至右分別為Mask-RCNN, Object Modeling, Grasp Point Prediction。OSARO
傳統及AI機器人創新策略比較 — source: Bastiane Huang
製造業自動化產業鏈- source: Bastiane Huang

資料來源：https://medium.com/marketingdatascience/ai%E6%A9%9F%E5%99%A8%E4%BA%BA%E5%B0%87%E5%A6%82%E4%BD%95%E9%A1%9B%E8%A6%86%E8%A3%BD%E9%80%A0%E6%A5%AD-ee2dbc3db7e4

(右下角開啟自動產生字幕)達陣藍圖，搶先體驗 https://goo.gl/D0bKXB
達陣藍圖: 從真實拍攝的搭訕、約會互動中學習成功
1. 超過五個真實達搭訕認識陌生人的錄影範例
2. 真實和女生互動的曖昧流程完整錄影範例
3. 深度的學員訪談實際拍攝，讓你知道如何獲得自信
約10小時、4片DVD內容

「達陣藍圖：情場致勝的成功藍圖」是我經過這幾年在進行「魅力研討會」課程的時候，經過不斷的精煉與經驗累積而成，它是一套經過實戰與眾多學員情場成功肯定的方法。
在超過10個小時的內容中，我們除了使用最新的約會技巧外，更使用搭訕實拍影片、男女互動示範、學員深度訪談等等的教學內容來傳授給你最完整的內容，這些東西比起一般的約會、追女書籍，更能夠讓你在情場上事半功倍。

達陣藍圖，搶先體驗 https://goo.gl/D0bKXB