跳到主要內容
 

技術文章


AI浪潮下的8大關鍵職缺
AI職缺 產業分析

2020-12-21 林書萍 副規劃師 1608


AI浪潮下的8大關鍵職缺



  隨著新興科技的不斷演進,從智慧型手機的普及,到大數據、雲端、平臺經濟的蓬勃發展並邁向成熟,2020台灣ICT人才發展報告指出,因應數位科技演進,未來於人工智慧(ArtificialIntelligence, AI)、大數據分析(Big Data Analytics)、資訊安全(Cyber Security)與物聯網(Internet of Things, IoT)四大科技應用領域將快速成長,因此衍生之各領域專業人才需求也將增加,而國內現階段要發展AI,最缺的就是人才,資策會數位教育研究所針對人工智慧領域,蒐集並彙整產業人才需求概況,帶您來看看人工智慧產業最熱門的八項AI關鍵職務是什麼吧!



1. 資料工程師



  在這個大數據的時代,由於分析用的資料量龐大,通常蒐集到的資料可能有缺失、格式錯誤、或是有著不合理的極端值,因此在運用資料進行分析前,必須要有人協助進行資料清洗的程序。


  資料工程師就如同在廚房中要協助完成備料作業的重要人物,運用著資料組織與清理能力,協助進行資料的前處理,包含:資料擷取、資料清理、資料運算,並建立部署資料儲存環境的系統結構,以及協助處理資料過程遇到的資料庫效能、安全性以及自動化等問題排解。



2. 資料分析師



  資料分析師指的是在組織中,協助資料轉換、萃取,從中彙整並理解各式資料生成的方式與商業邏輯的專業人員。他們需要知道如何提出正確的問題、善用資料視覺化工具,並具備數理統計與資料分析技能(如:探索式資料分析與非監督式學習、線性模型與監督式學習),針對應用情境提出分析建議、輔助公司商業決策。


  如何將資料轉化成易讀性、具視覺化的展示效果,讓組織清楚掌握重點及商業價值,資料分析師功不可沒。



3. AI應用工程師



  資策會MIC觀測AI發展趨勢指出「AI落地」將是未來產業焦點,在AI落地前「效率」問題需要被解決,因此需要AI應用工程師這號人物,以現有人工智慧技術,協助分析客戶需求,評估解決方案可行性,並進行系統整合測試計畫。他如同魔法師一般,將人工智慧應用技術由虛轉實,成為一個可使用、可產生價值的功能模型或產品。


  AI應用工程師除具備一般軟硬體工程師的系統整合開發能力,更要對於人工智慧基礎,如:資料結構、機器學習、深度學習有一定的掌握度才行。



4. 機器學習工程師



  美國求職網 Indeed曾表示2019年度最佳工作的第一名是機器學習工程師;LinkedIn在2019底發佈的2020
工作趨勢報告亦顯示,機器學習和人工智慧在過去4年的人才職缺成長速度達74%,成為年度新興工作。到底機器學習工程師的日常是什麼呢?


  機器工程師扮演著將機器學習方法實作以設計AI解決方案的角色,他需要依據功能需求,使用現有演算法與領域資料集來整合、訓練、最佳化演算法模型,因此須熟悉主流機器/深度學習框架、雲端平台相關程式開發技能。




5. 演算法工程師



  當現有演算法模型無法滿足組織業務需求,或是希望可藉由新的演算法模型來解決問題、創造營運價值,就需要靠演算法工程師之功力!演算法工程師除了負責人工智慧演算法的開發與設計,更要想辦法從數據中挖掘出隱藏價值,故演算法工程師除了具備演算法能力、機器學習/深度學習的理解,他要對產品及業務有相對的敏銳度和分析能力,並且還要保有持續學習的求知慾,每天蒐集並閱讀大量最新的演算法論文與研究,亦是演算法工程師的生活日常。



6. 資料科學家



  曾被《哈佛商業評論》指為「21世紀最性感的工作」的資料科學家,被業界譽為這類的人才最難養成,不僅僅要懂統計、熟悉機器學習及深度學習、更要有資料分析的專業及能洞悉問題點的能力。


  資料科學家擁有高薪的理由就是要清楚掌握問題的痛點,他不一定要資訊背景出身,但必須有能力將資訊、統計、業務三種領域的知識整合,並且需要對該產業有一定的商業知識與敏感度,協助組織找到成功的商業模式、提出洞見、提出商業預測模型,並將其分析結果努力導向組織走往正確的方向。



7. AI產品經理



  有別於一般傳統產業的產品經理,工作重點著重在評估市場與消費者需求、制定產品開發策略及掌握產品開發進度,AI產品經理還需要掌握AI領域的基礎理論與應用知識,以面對在產品開發過程中可能面臨到的不確定性,如:投入AI技術後,軟體開發過程可能會變得更複雜、或是會有全新的設計產出或新的處理流程出現,這樣的產出是不是客戶想要的?


  因此AI產品經理的挑戰即在於掌控整個開發團隊進度、把關產品開發品質之餘,要用對於AI領域知識的理解,在產品開發過程中針對問題做出適切的評估與判斷,創造AI產品之價值。



8. AI專案經理



  為搭上AI的浪潮,每個組織想推動AI專案去改善生產流程、提升產能與創造效益,但推動一個AI專案容易嗎?
IDC於2019年5月對2473家在營運中使用AI解決方案的機構進行調查,發現AI專案有超過50%以失敗收場。根據資策會MIC產業分析指出,導入前對AI基礎認識不夠、導入目的定義不清、輕忽導入AI的複雜性以及對導入效益過度期待等皆是造成AI失敗的原因。


  故在AI導入的過程中,除技術類的人員投入,亦需要一位熟悉產業知識、又具溝通協調及問題解決能力的AI專案經理,協助進行AI專案計畫的執行和控管,並擔任客戶的聯繫窗口,提供適切專案滿足需求,並讓業務與IT等相關員工了解導入AI的效益以及彼此間的職責分工,共同努力完成專案任務。



  在AI技術應用的演進下,幾乎各種產業、各個領域都能受惠於AI帶來的變革,唯有多元的人才,將跨領域與跨文化的思維結合AI核心技術,並輔以順暢的溝通,才能讓AI產業化更成功,更加速AI的落地。



林書萍 副規劃師



財團法人資訊工業策進會∕數位教育研究所∕數位轉型訓練中心



林書萍 副規劃師

最新發表
Fiddler:可解釋性的AI模型監控解決方案
Fiddler:可解釋性的AI模型監控解決方案
管理模型為企業導入AI後的重要挑戰 從人工智慧的興起至今已逐漸廣泛應用於各產業當中,企業在AI支出呈現翻倍成長,根據2019年4月The Wall Street Journal報導顯示,企業在AI系統支出將從2019年的358億美元增長至2022年792億美元;研調顧問公司Mckinsey公開報告也提出,至2030年約有70%的公司會採用至少一項以上的人工智慧應用。雖然企業積極的在導入AI技術,但是對於機器學習的營運也面臨了重大挑戰。現今導入AI企業開始意識到,訓練模型和部署AI只是第一步驟,其後的管理模型、如何確保模型的可靠度(譬如模型數據是否產生飄移抑或模型是否因時間而衰退)以及確保模型無風險(有沒有偏見或歧視),並且模型可以隨著時間推移,這些都是導入AI後的重要營運挑戰。 美國新創公司Fiddler AI提供可解釋的AI模型監控平台,該解決方案將監控與可解釋性整合在一起,可以不間斷的監控模型性能,以保持模型的可靠度和驗證有無偏見,讓模型能夠依循法遵,解決廣泛的機器學習營運問題,從而節省團隊的時間和金錢成本。 資料來源:MIC,2021年7月 圖1 現今機器學習面臨的課題 Fiddler透過可解釋AI建立模型可信任與可理解 Fiddler成立於2018年,總部位於美國加州,創立宗旨為幫助企業都能夠解讀AI黑盒子,並為其客戶提供可信賴的AI體驗。Fiddler開發可解釋AI引擎,提供企業簡易的操作介面,理解機器學型模型,包含AI預測準則、分析AI決策行為以及管理AI,使AI符合規範並監控AI性能表現。透過可解釋AI平台讓企業組織、主管人員或資料科學家,均可透過簡易的操作介面,進行大規模地分析管理與部署機器學習模型,建立可信任且可理解的AI解決方案。2020年開始Fiddler獲得零售龍頭Amazon Alexa Fund的戰略性投資,Fiddler和Alexa基金會將合作推進AI的可解釋性,使企業對使用的AI系統具有完整而連續的可見性,以確保高性能、負責任和透明的AI解決方案。截至今Fiddler獲得的總募資金額為4,520萬美元,主要投資人為Amazon Alexa Fund、Bloomberg Beta與Lux Capital。 在傑出肯定上,2019年10月被選為「Gartner企業AI治理與道德回應的優秀供應商」。2020年入選2020 CB Insights Game changer,CB Insights將其列為透明可解釋性AI平台遊戲顛覆者,同年也獲得世界經濟論壇的選為科技先鋒的肯定,並於2021年入選CB Insights AI 100。Fiddler在2018到2020年間發表了多篇有關如何構建可以解釋的AI模型的研究論文,目前其AI平台已進入概念性驗證階段並且正在使用該研究中論述的方法來構建其產品。 整合可解釋性與監控反饋迴路,保持模型公平無偏見 Fiddler的核心產品「Explainable AI Engine」為可解釋性的AI監管平台。現今深度神經網路中面臨的問題在於黑盒子它輸出的決策難以被解釋,它可能會造成不同行業及不同人員的困擾,例如企業主或投資決策者是否可以信任AI決策;金融業中的客服人員如何向客戶解釋AI的投資或審核決策;醫療組織中醫生如何告知病患AI對於診斷的見解。除了難以解釋的問題,黑盒子同樣面臨難以監管的挑戰,例如系統維運人員如何監控AI模型或除錯(debug);資料科學家如何得知模型以達到最佳化;再者,監管或審查機關如何確認AI模型是合乎法遵或無偏見的。 Explainable AI Engine透過以下三種方式來解決客戶的問題,(一)了解AI決策原因:可解釋AI引擎能從任何平台導入數據和模型,以在Fiddler中進行解釋,還可以運用平台快速產出可視化圖表,並通用於團隊的電子郵件、雲端,兼容各種格式。由於是可解釋的AI決策,可以人為監控平台確保遵守法規。(二)分析AI行為:分析AI模型所做的每一次預測,驗證模型對每次輸入是否產生結果。此外可以比較訓練數據,測試數據和生產數據之間的分佈,也可以將數據分成幾組,並解釋各組之間的性能差異;(三)監控AI的性能:Fiddler AI引擎會監控模型的狀況使其保持高性能,也能追蹤異常值並發出警報,讓客戶能快速修復並重新訓練模型,警報可以使用平台New Alert的功能來有效的監控各種問題的詳細訊息和解決方法。 資料來源:MIC,2021年7月 圖2 Explainable AI Engine運作模式 建立可信任的AI與持續監管模型為企業重要課題 2018年5月25日歐盟正式實施了「一般資料保護規定」(General Data Protection Regulation, GDPR)號稱史上最嚴格個資保護法;2020年美國「加州消費者隱私保護法」(California Consumer Privacy Act, CCPA)也開始實施。GDPR其中第22條規定,歐洲人有權利得知對其生活中產生重大影響的自動化決策。歐盟GDPR與美國CCPA法遵皆要求AI涉及使用個人資料時需要具備隱私性(Privacy)、公平性(Fairness)、透明性(Transparency)以及可解釋性(Explainability)。 Fiddler Labs的可解釋的AI引擎幫助企業大規模分析、管理和部署機器學習模型,提供簡單操作介面,從企業的資料科學家到高層主管,任何人都可以了解他們的AI技術。在實際案例中,AI黑盒子的確造成企業面臨到是否可信任的質疑,像是根據路透社報導亞馬遜的 AI招募工具,在履歷篩選中有歧視女性的傾向;或是特斯拉的自駕功能車禍意外,也讓人們懷疑AI是否可以信任等。隨著各國日趨重視AI道德與治理等問題以及AI監管法規與倡議逐漸上路,企業如何打造可信任的AI並且持續監管模型視為企業在AI道路上的重要課題。 財團法人資訊工業策進會 產業情報研究所(MIC) 張皓甯 產業分析師
Kyndi:基於機器閱讀的可解釋AI審核平台
Kyndi:基於機器閱讀的可解釋AI審核平台
深度學習讓機器閱讀更擅長理解文章 近年來深度學習技術的迅速發展,機器閱讀理解(Machine Reading Comprehension, MRC)有了重大的進展,基於深度學習的機器閱讀理解模型,讓機器更擅長於理解文章的上下文語意,並顯著優於傳統機器模型。機器閱讀理解為自然語言處理的一個重要領域,透過機器閱讀文本(Text)進而理解並回應相關的問題,目標是利用人工智慧技術教導機器像人類一樣具有理解文章的能力。 儘管人工智慧實現了機器閱讀理解,但現今基於深度學習的機器閱讀解決方案仍面臨許多挑戰,如(一)對長篇文本理解有限:大多數的企業組織中有八成的資料都是非結構化文本,然而大多數AI難以有效地分析長篇文本並從中找到隱藏的資訊;(二)僅限關鍵字:許多AI解決方案只能搜索完全配對的單詞,無法辨識相關概念;(三)開發耗時:通常需要2到3個月來標記及下載大量資料來訓練系統,才能開發出閱讀自動化模型,無法對時間敏感的內容或資料庫較小的問題獲得觀點;(四)AI黑盒子:深度學習帶來的黑盒子問題造成分析結果無法被解釋,使得受監管的行業帶來重大的法律與財務風險。 資料來源:MIC,2021年6月 圖1 現今機器閱讀理解面臨課題 Kyndi透過自動化機器閱讀提高企業工作效率 Kyndi於2014年成立,總部位於美國加州,創立宗旨是協助知識工作者,讓他們每人每天的工作效率能夠提升100倍,目標客戶為政府單位、藥物開發商與金融服務業,目前第一大客戶為美國政府部門,對於美國政府的業務,提供可解釋與審核的AI系統以協助美國政府改變其公部門的業務流程。Kyndi基於自然語言的機器閱讀軟體(Reading Automation AI software),使用機器學習來簡化受監管的業務流程,優勢在於更迅速、更智慧與具可解釋性的分析所有長篇文本,讓用戶能更有效地掌握AI系統,檢驗判斷結果並提出合理解釋,並且提供股東或監管機構參考。 在傑出肯定上,2018年Kyndi入選「2018 CB Insights AI 100」並於2020年再度入選「2020 CB Insights AI 100」;2019年10月被選為「Gartner企業AI治理與道德回應的優秀供應商」。2020年入選2020 CB Insights Game changer,CB Insights將其列為透明可解釋性AI平台遊戲顛覆者;2021年Kyndi被世界經濟論壇評選為技術先鋒。這些殊榮肯定了Kyndi在機器閱讀理解與可解釋性AI平台的創新、指標性與影響力。 將大量複雜非結構文件中的數據資料快速結構化 Kyndi的產品是以機器閱讀理解為核心的「Kyndi自動化閱讀平台」(Reading Automation Engines),它以知識圖譜快速理解分析大量複雜的長篇文本,並且它的專利數據結構方式和演算方讓它的AI模型是具備可解釋性的。Kyndi自動化閱讀平台可自動執行人們以手動執行的一系列閱讀任務,包含掃描、略讀、精讀以及對閱讀內容進行優先排序。平台能夠加快閱讀過程,讓使用者能在大量文本中快速取得觀點,同時保持了類似於人類的解釋水平。 Kyndi自動化閱讀平台分為四大引擎,分別為發現引擎(Discovery Engine)、關聯引擎(Relevance Engine)、解釋引擎(Explanation Engine)和詞彙引擎(Lexicon Engines)。發現引擎用於處理第一階段的掃瞄與瀏覽動作,清除文本中的雜訊(如:不必要的格式、標點符號、頁碼或機密聲明文字等),以非監督式學習分類文檔,將一系列的非結構化文本經過辨識及分類找出關鍵字、片語或是自定義項目以了解重要內容並發現趨勢。其後將非結構化文本轉化為AI知識庫,其中包含有關聯的概念、主題和上下文關係、出現頻率等。 資料來源:MIC,2021年6月 圖2 Kyndi自動化閱讀平台 關聯引擎和解釋引擎主要是Kyndi的原型本體(Ontology)專利技術,原型本體分為概念相對性(Conceptual Relativity)和認知記憶(Cognitive Memory),概念相對性讓系統從資料中推論出的結構轉換為知識圖,在透過點與圖之間的雙向轉換用以解釋查找訊息。詞彙引擎可以讓Kyndi的平台辨識各行業或公司的專業術語,用戶可以自行創建專業術語或導入企業的專用詞典,讓Kyndi平台可以立即辨識該行業專用術語以加速產出結果與提高輸出品質。 資料來源:MIC,2021年6月 圖3 Kyndi自動化閱讀平台 機器閱讀朝模擬人類真實的閱讀情境與理解方向發展 隨著深度學習的進步,推進自然語言處理技術在各應用領域顯著的增長,機器閱讀理解可被視為自然語言處理領域中的重要基石,也是目前該研究領域的重點項目之一。然而,深度學習需要龐大的訓練資料、開發模型耗時以及黑盒子,讓基於深度學習的機器閱讀理解難以發揮的淋漓盡致,並且可能導致大量的時間與金錢耗費或是面臨嚴重的法律風險。 現今各行業,從金融服務到醫療健康再至政府機關,需要遵守法規和政策並且持續地保持合規性。Kyndi自動化閱讀平台以機器學習來簡化受監管行業的業務流程,並為企業和政府提供可審核的AI系統,Kyndi的優勢在於其專利技術讓訓練過程可以使用較少的資料完成,減輕在前期資料訓練負擔,並有助於減輕傳統深度學習方法可能引起的偏見。隨著自然語言的發展,越來越多研究朝向模擬人類真實的閱讀情境與理解方向發展,可解釋性的機器閱讀理解,若能直觀地呈現機器閱讀的過程與結果,是值得開發且關注的未來方向。 財團法人資訊工業策進會 產業情報研究所(MIC) 張皓甯 產業分析師
Darwin AI:以AI建構AI 加速深度學習模型
Darwin AI:以AI建構AI 加速深度學習模型
提升深度學習算力與解釋力為未來開發重點 人工智慧從1980年末機器學習的發展略分為淺層學習(Shallow Learning)與深度學習(Deep Learning)兩大學習趨勢。2016年3月Google DeepMind開發的AlphaGo以四比一的勝率擊敗南韓棋王李世乭,AlphaGo使用的深度學習技術隨即引起各界關注。自此,深度學習成為近年人工智慧的重大推進角色,替AI帶來了革命性的突破。 深度學習是以人工神經網路為架構的一種演算法,又稱「深度神經網路」(Deep Neural Networks, DNN),以模擬生物神經元(Neuron)的運作方式,讓機器能具備自我學習力。DNN具備多層的神經網路,在輸入層(Input Layer)與輸出層(Hidden Layer)的中間至少具備一個以上的隱藏層(Hidden Layer),能夠分析複雜與高維度的資料,解讀出巨量資料中所涵蓋的豐富資訊,並對未來做出更精準的解釋、分析與預測。 深度學習雖展現了強大的結果與預測能力,但也面臨了以下課題:(一)模型建立困難:DNN的高複雜性,需仰賴多位AI專家建構;(二)模型運行困難:深度學習需要大量的算力支持,模型運行費力,為了提高算力企業需配備高規格的硬體設備(如:GPU與設備環境等)相對付出的金錢成本也高;(三)模型難以解釋:深度學習的解釋力不佳,歸因於DNN涵蓋許多隱藏層,如同黑盒子般,難以了解它的決策依據。鑑於上述深度學習面臨的挑戰,建構可解釋的AI以及提升AI速度減輕運算負擔將是未來AI模型的開發重點趨勢。 資料來源:MIC,2021年5月 圖1 現今深度神經網路面臨課題 Darwin AI專利生成技術讓模型更輕巧且運行更快 新創公司Darwin AI 2017年成立於加拿大,致力於深度學習演算法設計、模型最佳化和可解釋性。創辦人兼技術長 Alexander Wong在攻讀加拿大滑鐵盧大學系統工程博士學位時,他的博士論文是關於電腦視覺研究,但是實驗室沒有那麼多的資金去添購所需要的硬體設備,因此他發明了可以讓深度神經網路模型更小、速度更快的生成合成技術(Generative Synthesis),而這項技術變成為開創Darwin AI的核心技術。 2019年5月Darwin AI獲得Frost&Sullivan頒布的技術創新獎;同年10月被選為「Gartner企業AI治理與道德回應的優秀廠商」;2020年先後入選CB Insights AI 100以及CB Insights Game Changer,將其列為透明可解釋性AI平台遊戲顛覆者。多項殊榮確立了Darwin AI在前瞻技術的代表性,替人工智慧開發下一代技術的潛力新創。 生成合成技術大幅精簡模型尺寸並保持準確度 Darwin AI的核心產品為基於生成合成技術的「Gensynth」平台,它能夠讓原本複雜的深度學習神經網路模型減小尺寸、降低複雜度、執行速度更快並且讓AI決策能夠被解釋的AI模型。過去建構深度神經網路學習機制,模型開發週期需要耗費數週至數月的開發時間,才能夠產出決策驗證模型,Gensynth 可在數日之內根據用戶定義與需求生成最佳化模型,以AI建構AI實現加速深度學習開發週期的目標。 Darwin AI四大創新之處分述如下:(一)提升AI性能:大幅度地精簡深度神經網路尺寸與降低複雜度,減少運算需求的深度學習解決方案;(二)保持模型準確度:在精簡深度神經網路的同時依然保持模型準確度並降低推理時間;(三)模型可解釋性:Gensynth可以解讀神經網路「層」或神經「元」詳細的資訊,可以促使深度學習模型具備可解釋性,以了解AI決策;(四)多元化部署方式:提供多元化的平台部署,讓高度最佳化的深度神經網路,可部署在雲端運算或頻寬有限的邊緣場景。 透過生成、更新到解讀三階段來回調整模型以達最佳化 Darwin AI的核心技術為生成合成技術,此技術使用AI在訓練過程中觀察神經網路,從而對需理解的神經網路進行深入的數學理解,平台運作涵蓋四個過程,第一是生成(Generate),意思是系統開發人員放入了一個DNN模型到平台上,平台會開始自動生成一個最佳化的模型,其中會經過更新(Update)持續的更新模型使其能夠符合最佳化,再經過解讀(Inquire)後模型判別者了解該模型是否達到最佳化,譬如是否符合在邊緣的算力與速度需求。從生成、更新到解讀三階段可能經過數次的來回調整的循環過程,直到最終產出最佳化模型。 Gensynth使用TensorFlow機器學習框架,提供基於網頁的排版介面,以Docker虛擬容器託管在客戶端環境中。Gensynth提供直觀的使用者介面讓神經網路可視化,系統開發人員可以在生成、更新和解讀過程中,更深入的了解模型的內部運作及如何達到最佳化,以提高調適效率和準確度。 資料來源:Darwin AI,MIC整理,2021年5月 圖2 Gensynth生成合成平台 GenSynth提升Audi自駕車圖像辨識3.8倍速度 2019年與Audi自駕車開啟個案研究合作,Audi使用GenSynth平台來加速自動駕駛物體偵測的量身設計,以最佳化深度神經網路的速度。在自駕車領域的挑戰之一,在於模型的物體辨識、偵測和反應速度,如果能提升它的DNN效能,除了可以提升推論能力與速度同時也可以降低耗能,將計算資源分給其他任務。經研究報告指出,GenSynth成功縮小Audi深度學習模型90%,協助Audi開發人員將訓練模型的速度加快了4倍,並且將GPU的處理時間縮減四分之三,提升模型3.8倍的辨識速度並保持了準確性。 資料來源:Darwin AI、Audi,MIC整理,2021年6月 圖3 GenSynth與Audi傳統開發週期比較 以AI建構AI 開啟下一代人工智慧新技術 在萬物聯網時代下,企業嘗試在邊緣端作業,從工廠廠區、商店、城市街道到緊急救護設施,來自數十億個物聯網感測器的資料,在邊緣端由邊緣伺服器進行處理,使其在必要時加快即時決策的速度。深度神經網路構建複雜在運行上需大量算力支持,在基於邊緣運算的自駕車系統或是移動設備等場景中,能占用的計算資源和能耗都十分有限。深度學習巨大的潛力往往會被架構困難度與運算複雜度抵銷,使其難以廣泛地部署在邊緣。 Darwin AI已獲得專利的生成合成技術致力於解決這些痛點,GenSynth平台開發人員能夠產出精簡的深度神經網路,使用AWS 和Microsoft Azure上的 Nvidia GPU,加上部署於本地的系統來加快開發週期,讓開發人員可以在更短時間內來擴展出多個神經網路,該技術能協助企業高效率開發深度學習模型、縮小模型尺寸、降低模型複雜度並且保持模型的準確度並減少推理時間。此外,GenSynth平台促進深度學習模型的可解釋性,這在現今需要符合AI監管的產業至關重要。Darwin AI協助企業能夠以更快、更強大的方式開發深度學習模型,從而縮短了產品上市時間,以AI建構AI開啟下一代的人工智慧新技術。 財團法人資訊工業策進會 產業情報研究所(MIC) 張皓甯 產業分析師
專注於最後一哩路的自駕物流配送車
專注於最後一哩路的自駕物流配送車
刷新自駕車獨立企業單筆融資紀錄 近年來電子商務快速發展與購物平台興起,業者以提供試用期、可退換貨、快速送達以及運費折抵等服務方案,藉以提高消費者的購買意願。消費者因為電商平台的便利性與產品豐富多元,逐漸由實體通路的線下購物位移至虛擬通路的線上購物,消費型態改變為少量、多樣以及高頻率的購物模式,使訂單走向碎片化趨勢;加上電商平台競爭激烈,時常配合節慶進行促銷與活動,使網購量連年高速成長,促使物流量不斷攀升,甚至出現爆單情形,進而導致「最後一哩路配送(last-mile delivery)」人力吃緊、貨運司機超時工作、運送品質及效率不佳等問題延伸。 資料來源:Nuro、MIC,MIC整理,2021年4月 圖1 物流配送服務的現況與課題 新創公司Nuro於2016年成立,總部位於美國矽谷,共同創辦人Dave Ferguson及朱家駿皆為前Google工程師,負責Waymo自駕車計畫的團隊創始成員,擁有深厚的自駕車與機器學習技術背景。Nuro把自動駕駛研發重心放在最後一哩路配送服務,定位為智慧物流服務並專注於零售市場。期望透過自駕配送車,改善人們日常生活、當地商業環境以及建立更安全的道路環境。Nuro目前已獲得總募資金額15億美元,其中9.4億美元為B輪融資階段來自軟銀的願景基金(Vision Fund)主力投資,刷新了自駕車獨立企業單筆融資紀錄,也帶給Nuro更強力研發資金的正向助益。 全球第一個監管豁免的自駕車物流公司 Nuro於2018年2月推出全球第一款自駕配送車Nuro R1,於2020年推出R1的進階版Nuro R2,Nuro R1與R2皆為高自動化的Level 4自駕配送車,不需要人員隨車,可以自行行駛在開放場域的道路上。2020年2月Nuro R2成為全球第一個獲得美國聯邦政府交通運輸部(Department of Transportation, DOT)與美國交通安全管理局(National Highway Traffic Safety Administration, NHTSA)監管豁免的自駕車。NHTSA允許Nuro可以在未來兩年內生產與部署多達5,000輛R2自駕配送車,目前Nuro與Roush車廠合作,預計於2021年標準化量產2,000台R2。 資料來源:Nuro,MIC整理,2021年4月 圖2 R1與R2自駕配送車實體圖 打造以安全為優先的自駕配送車 Nuro十分注重自駕車軟硬體的安全性,並將安全視為公司的核心價值之一。相較於載人的自駕車在設備上需要考慮車內駕駛與乘客的安全性,載物的自駕配送車則可將更多的軟硬體設計為保護外在道路行人或其他駕駛車輛的安全上。Nuro採用高規格與先進的自駕車硬體設計,Nuro R1在安全上的主要創新之處有以下五點:一、圓弧車體:車體外型圓潤,採用柔軟擋風面板做為緩衝材料,減輕和行人發生碰撞時造成的傷害;二、更輕、更窄、更靈活:車體的重量與寬度皆為一般傳統轎車的一半,輕窄設計讓R1在道路上行駛更加靈活,且能與其他車輛保持更多緩衝距離;三、360度全景視角:搭載包括12個攝影機、光達、毫米波雷達、超聲波及語音感測器等,以立體與重疊優勢實現360度無盲區的道路全景圖;四、低速行駛:最高限速約40公里/小時,使其在道路上有更多的反應時間;五、軟體自駕系統設計為具有自我犧牲(self-sacrifice)能力,在不可避免的碰撞情況下,會優先考慮道路使用者的安全。 進階版的Nuro R2承襲了R1安全性設計,加上獲得NHTSA豁免,R2不需要後照鏡及傳統擋風玻璃,車內空間比R1增加了65%,並且新增溫控功能,能夠保持載送物品的新鮮度,讓R2可以乘載更多類型的物品。此外,R2還改善了顧客使用體驗,包括重新設計車門,讓顧客取貨或放置物品通道更寬敞;加大用於解鎖車廂及與R2互動的外部觸控式螢幕,讓互動模式更為便利與直覺。 資料來源:Nuro,MIC整理,2021年4月 圖2 Nuro自駕配送車應用服務流程 結合感測器融合與AI的自駕系統設計 在軟硬體技術上,Nuro以結合AI的自駕系統設計與感測器融合(Sensor Fusion)技術為其核心,軟體方面,Nuro R2結合深度學習、電腦視覺以及數據推理推論等多項人工智慧技術以機器人移動控制技術,經由感測器接受資訊預處理成重要特徵後,經由機器學習模型來學習駕駛行為與決策,並且透過每次的行駛,蒐集行人、機車、轎車、卡車等行為,並數據化後回饋系統用以增強訓練模型,進而提高Nuro在道路上的反應能力,並且可將每一輛Nuro的學習結果分享至整個車隊,提高學習效率與安全性。硬體方面,搭載包括12個攝影機、光達、毫米波雷達、超聲波及語音感測器等,以立體與重疊優勢實現 360 度無盲區道路全景圖。 資料來源:Nuro,MIC整理,2021年4月 圖1 Nuro R2產品介紹 自駕配送服務為智慧物流的重要發展趨勢 根相較於傳統物流人力配送方式,Nuro 提供高度自動化的Level 4自駕車,可以自動行駛於開放場域,在美國人力工資昂貴(美國物流業的時薪制員工,平均一般工時時薪約為15美元),加上高齡少子化導致勞動力不足,導入自駕配送車,可以降低物流人力成本並緩解勞動力不足的問題,提供即時低價的最後一哩路配送。 在Covid-19疫情下,非接觸式的自駕配送服務在國際上受到矚目,也成為未來智慧物流發展的一大趨勢。我國物流業者在最後一哩路配送上,目前還是為傳統人力配送服務為主。在電商持續成長下促使物流需求量大幅增長,物流業者同樣面臨人力吃緊的問題,但因台灣地域小及人口密度高,交通易達,物流業者將資源優先投入自動化倉儲或貨架機器人應用。有鑒於我國於2019年11月30日《無人載具科技創新實驗條例》經立法院三讀通過,自駕車監理沙盒法上路後,開放自駕車合法上路測試,將帶動更多產業結合自駕車開啟新的商業營運模式(如:零售、物流或餐飲業者等),期以能做為未來我國於自駕配送車服務上的發展契機。 財團法人資訊工業策進會 產業情報研究所(MIC) 張皓甯 產業分析師
3d Signals:打造替機器「聽」診的IIoT未來工廠
3d Signals:打造替機器「聽」診的IIoT未來工廠
AI聽聲辨位實現工廠預測性維護 對於智慧製造而言,工廠機器設備檢測、監控與預測性維護(Predictive Maintenance)是工業物聯網(Industrial Internet of Things, IIoT)及智慧工廠常被提及的AI應用方向之一。觀察過去傳統工廠的設備維運管理作法,主要為安排固定維修日期進行機台檢測、保養與維護,依照使用次數和規程定期更換零件耗材,從檢查到維護幾乎都是仰賴人工進行,以預防性維護(Preventive Maintenance)為主要解決方法。但是過去的作法難以避免「非預期性」的故障問題;再者若是機器維修耗材費用高昂,定期更換雖然能使生產品質不受影響,但耗材費用可能使工廠維運成本居高不下。以AI技術驅動的智慧工廠,將帶領傳統設備維護從「預防」走向「預測」,從設備連網、可視化分析到人工智慧,實現工業4.0預測性維護應用。 著眼現今製造業者在工廠端想導入預測性維護,通常會面臨到工廠的機台多來自不同供應商且機齡新舊不一,要智慧化串接系統成為一大阻礙;再者導入AI技術或平台是否會入侵原本的機台導致保固失效或是需要連結工廠的工控系統延伸資安問題,以上問題成為企業裹足不前的痛點。本篇文章介紹的以色列新創公司3d Signals成立於2015年,為世界經濟論壇列為「2020年科技先鋒」的受獎者,肯定它在技術上扮演塑造該產業未來的重要角色。3d Signals專注於工業物聯網設備維護軟硬體解決方案,將產品感測器安裝在機台外側,透過感測器來蒐集機台發出的聲音之後,再由所研發的AI深度學習聲學技術來聆聽機台是否出現異常聲音,全天候即時監控工廠設備的狀態,提供設備維修方針及建議。3d Signals的解決方案不限機齡適用於各種連網機台,並且研發專利超聲波感測器,不用侵入機台也不連結工控系統,解決企業導入阻礙並且成功提升工廠整體設備效率30%讓預測性維護能落地應用。 提供隨插即用的資產監控解決方案 3d Signals的產品與服務為基於雲的「即時資產績效管理平台」(Real-Time Asset Performance Monitoring Platform),簡稱APM解決方案,同時包含硬體設備dEdge與dView軟體平台,以非侵入式感測器和軟體平台所組成。硬體設備dEdge為安裝於機器外側的感測器,將設備連網後,透過超聲波感測器全天候24小時蒐集現場機器設備的聲音、振動和電流,並將蒐集的聲學訊號傳送到dView real-time APM轉化為可分析的數據。軟體平台dView為基於雲的即時資產績效管理平台,提供可視化儀表板,工廠人員或營運主管可以藉由工廠電子看板、電腦、平板或手機等載具即時監測機器設備狀態及預測維護分析。 資料來源:3d Signals,MIC整理,2021年3月 圖1 dEdge與dView產品圖 3d Signals APM解決方案為隨插即用可快速部署的資產監控及預測維護解決方案,具備以下六大主要特性,分別為,(1)互通性:適用於來自不同供應商或不同機台年齡的各種連網機器設備;(2)準確性:硬體設備dEdge搭載超音波感測器,經證明相較傳統機器24V控制裝置更為準確;(3)即時性:整合各機台提供總體可視化儀表板,24/7替工廠設備實現即時資產監控;(4)高效性:部署一台機器設備約為45分鐘,隨插即用快速部署;(5)安全性:不連結工業控系統(如:SCADA、PLC或DCS)避免延伸資安疑慮,不侵入機台設備,避免影響機台原始保固;(5)延展性:dView平台可部署在公有雲或私有雲上,且能定時更新,讓系統保持最佳化。 資料來源:3d Signals,MIC整理,2021年3月 圖2 3d Signals APM解決方案設置方式 非人聲辨識技術汲取老師傅的經驗傳承 在核心技術方面,3d Signals的硬體設備dEdge,主要為其研發出的專利超聲波感測器,它比人類聽覺靈敏度高出五倍;相較於振動感測器,在吵雜的工業製造環境中超聲波感測器能更精準的感測機器運行聲音訊號。除此之外,dEdge內還搭載高感度指向性麥克風及過濾器,用以分離環境噪音,讓dEdge收音更為精確。在軟體專利技術上,3dSignals研發出深度學習模型之「非人聲」語音辨識技術運用在dView平台上解讀設備運作狀態。過去AI語音辨識多聚焦於人聲辨識為主,然而在製造業工廠中「機器聲音」是機器工程師以長年的工作經驗來診斷機台問題和了解機台是否運作正常時最直觀的感覺,這些老師傅根據機台運轉不正常時所發出的聲音來判斷機台零件需要更換。而3d Signals將這些老師傅經驗傳承下來的經驗,以AI汲取這些聲音經驗轉化為聲學辨識,透過與正常運作下的機械聲音進行比對,同時監測多個工業設備運行狀況,辨識出設備發生故障的部位,並且根據其分析的數據,對機器內部的零件耗損與老化程度提出即時預測及警告,讓機器設備保持在最佳狀態。 未來工業預測性維護將更廣泛使用聲學技術 根據Oracle for Startups於企業創新專欄文章中提到,根據Gartner表示,相較於2018年工業預測性維護使用的聲學技術不到2%;2023年將有35%的工業預測性維護解決方案應用聲學技術。此數據不僅顯示3d Signals的聲學技術走在工業預測性維護的前沿,也表示未來在預測性維護上使用聲學技術可望為企業的一大解方。 在Covid-19疫情下,進一步推升智慧化工廠的重要性,如3dSignals基於雲的即時資產監控平台,讓企業能夠遠距離監控工廠設備狀態,保持社交距離與人員調配,幫助製造業者能維持工廠營運,且部分維運人員可以採遠距工作,以降低接觸風險。未來,工業物聯網串連大數據與人工智慧的應用將迅速成長,工廠藉由人工智慧更高效地運行與即時設備監控、維修預測,提升工廠設備的整體生效率,邁向智慧化的IIoT未來工廠。 財團法人資訊工業策進會 產業情報研究所(MIC) 張皓甯 產業分析師