經銷商專區|
登入
Security Digit Cloud Expert
關於安數
安數科技
安全地圖
代理產品
資訊安全
資料中心
網路與管理
專案報備
共同供應專區
電腦軟體共同供應契約採購
活動專區
研討會
活動花絮
教育訓練
訊息專區
最新消息
促銷活動
產業資訊
影音專區
線上活動
經銷夥伴教育訓練
聯絡我們
訊息
專區
Security
Digit Cloud Expert
產業訊息
Home
/
訊息專區
/
產業訊息
〔產業訊息〕2020-08-19
掌握實施要領、妙用先進平台工具 加速 AI 應用落地實現
現階段企業已可運用電腦視覺與機器學習技術,檢測及分類金屬表面的缺陷。來源:Intel
不可諱言,人工智慧(AI)肯定是近年來最能引領風騷的題材之一,只因為假使沒有AI的搭配,談再多的物聯網(IoT)也是枉然,徒然增加一堆「不知道怎麼用」的大數據而已。因此過去紅極一時的 IoT,如今已難單獨引發關注,而是以「AIoT」(AI+IoT)之姿掀起更大浪潮,甚至有專家預言這股AIoT熱潮將延續至少20年。
AI之所以紅,在於它可以實現垂直市場的價值變現。比方說來自溫度、濕度、振動等感測器產出的數據,都只是用來表述某一個時間點的狀態,不過是冷冰冰的數值,如果未做進一步加值運用,幾乎沒有價值;反觀若結合AI分析技術後,靠著 ML(機器學習)、DL(深度學習)所訓練開發出來的模型,便可繁衍瑕疵檢測、散亂工件取放、機台或元件的壽命預測等富含價值的應用,為業主帶來可觀的商業利益。
著眼於邊緣運算需求,目前有愈來愈多廠商推出邊緣伺服器;此類主機均可裝載GPU加速卡,以支援AI推論之工作負載。
圖為Lenovo ThinkSystem SE350。來源:Lenovo
時至今日,綜觀製造業領域,不論是設計、製造、檢測等垂直活動價值鏈,甚至是跨企業的供應鏈管理,通通都被涵蓋於AI的應用範疇。
只不過,縱使隨著這幾年不斷洗腦,AI對於絕大多數業者來說簡直如雷貫耳、無人不曉,但持平而論,AI不是套裝軟體、更絕非隨插即用的工具,假使企業未能掌握AI 技術實施要領,也不懂得搭配運用好的平台或工具,聽得再多、看得再多,都無法真正將AI轉換為數位轉型能量。正所謂萬事起頭難,要想靠AI成就偉大的智慧製造應用,還是得從原點出發,一步步練好基本功。
專家指出,做AI、數位轉型的第一步乃是「命題」,企業必須有能力定義出具有價值的題目,否則無論訂定不出題目、或是題目方向錯誤,都形同輸在起跑點,後續投再多資源、花再多力氣,也難以顯現價值。
但值得一提,在AI整條價值鏈中,蘊含很多重要階段,不管是資料收集、資料標註、模型訓練、模型部署甚或模型再訓練等等,隨著技術演進,現在幾乎每一項都有對應的輔助工具可供運用,讓一些未必鑽研過AI底層技術的人,都有可能獨力完成某些工作流程;唯獨選題這件事,不但需要用戶自己來,也沒有太多工具幫得上忙。
然而不會選題的人,倒也並非無計可施,只是需要考驗自身的悟性。比方說可以參照現成的一些AI應用方案,了解該應用大致上的運作思維、以及預期產生的效益,再回頭檢視自己內部場域,看看有沒有可以套用類似原理來達到改善效果的問題,如果這個問題也剛好攸關經營痛點,那麼拿它們來做為AI命題,肯定錯不了。
善用輔助工具 簡化繁瑣的標註流程
訂定題目後,下一步就是眾所皆知的資料蒐集,因為沒有資料,就沒有訓練素材,也就創造不出AI模型,但如何在合理成本架構下,確保蒐集效率恆常維持高檔,亦是企業必須關注的課題。
隨著各種感測器、邊緣閘道器(Edge Gateway)應運而生,各大公有雲平台的IoT服務日趨完善,加上不久的將來還有5G企業專網居間加持,可以說「雲」、「網」、「端」要素皆已齊備,因此未來不管資料的收集、處理或儲存,能用的工具選項可說相當豐富。
完成資料蒐集,下一個重要工作就是資料標註,也算是耗時費力的一環。舉例來說,若工廠想利用 AI 做產品的瑕疵檢測,那麼一定有先決條件,便是讓機器看得懂所有瑕疵類型,比方說 SMT(表面貼焊技術)的缺件、錯件、短路、斷路等,所以必須先讓看得懂這些瑕疵的資深師傅,從大量圖像中挑出瑕疵部位並予以標註,好讓 AI 機器獲得充分訓練、得以培養瑕疵辨識能力。儘管標註是一項勞心勞力又傷眼睛的工作,所幸目前已有輔助標註的工具出現,用戶可利用這些工具簡化標註的繁複步驟。
一般來說,多數企業考量日後隨時有可能啟動AI專案,但每件專案需要耗用多少CUP 、GPU或Memory運算資源,則難以準確預估,既然如此,便傾向利用雲端平台建構模型訓練的基礎架構。在此情況下,當企業已備妥訓練資料後,即可將這些資料推送上雲,放存於雲端平台提供的資料湖泊(Data Lake)。
藉助自動化機制 一次實現大規模部署
接著進入最關鍵的一個階段、也就是建模,通常需要仰賴建模人才,來滿足原始命題下的概念驗證(POC)目標,以瑕疵檢測為例,其POC目標可能包含檢出率、誤報率、漏報率、推論時間等等。一旦訓練完成,用戶可以利用雲端平台提供的Web介面,清楚看出每個模型的績效表現是否如預期。
此時用戶若選定其中某一個績效最優秀的模型,接下來即需執行部署動作,簡言之就是把它推送到指定的邊緣設備,讓這些設備有能力執行現場推論。但坦白說,模型部署上線這件事可謂吃力不討好,尤其所欲部署的設備台數愈多,拷貝模型的次數愈多、執行安裝的次數愈多,承擔的工作負荷就愈吃重。
因此有些雲端平台標榜提供大規模模型的自動部署功能,強調使用者只能透過Web介面設定好部署標的,後續便藉由OTA方式將模型推送到邊緣端,甚至還可設定排程,以便在日後定期自動更新模型,甚至讓現場很簡單地啟動再訓練程序(當需要增加新的瑕疵樣本時),值得企業參考。
總括而論,AI應用從無到有、直到真正落地實現,其間蘊藏許多不容或缺的作業流程,企業不管打算在地端或雲端做訓練,都必須勤做功課,找出每個環節對應的自動化輔助工具,如此才能無懼於資料科學家人才的欠缺,照樣穩健踏實地創造一個個智慧製造應用服務。
文章來源
Copyright © 2024 secdigit.com.tw 版權所有.