全球瘋人工智慧,深度神經網絡DNN技術最關鍵 – i創科技

全球瘋人工智慧,深度神經網絡DNN技術最關鍵


人工智慧(Artificial Intelligence)已經不是新梗,甚至深度神經網絡(Deep Neural Networks,DNN)也是「高齡級」技術,過去DNN受限於技術發展,雖然偶有復興跡象,但始終撐不了太久,到了2005年開始AI受到重視,不過浮浮沉沉、直到2012年突然奮起、這兩年更是大鳴大放,尤其機器學習成為各家科技廠精進晶片演算的利器,可見得DNN將成為未來軟體開發的方向。

不過發展DNN的挑戰眾多,包括如何收集高品質且大量的資料、高效率的GPU,還有降低技術應用時的功耗等等,尤其在DNN要進入各個產業時,如何清楚解釋DNN技術模型的操作原理,同時又可以在不需要自行調校過多參數的狀況下,方便使用者可以提高訓練的品質、降低校正的時間,是目前努力的方向。

在機器學習的應用中,目前進行得如火如荼的非「車用」莫屬,根據IEK預估,2023 年全球汽車電子與車聯網產值將達到4,511億美元,相比2015年可成長1.67倍。工研院創新開發的「環保駕駛模擬學習器」就是一種DNN的技術應用,在自駕車的部分,駕駛人會經歷環境感知、決策、控制三個步驟,尤其「環境感知」這塊是產業的機會,也是我們主要著力的方向,透過收集大量的台灣路況進行模擬,用以改進駕駛習慣。

工研院環保駕駛模擬學習器

不過,有些「特殊資料」也是可遇不可求(比如車輛行進中突然有人跑出來),這也是DNN難以模型化的原因之一。或許台灣也可以換個角度、從「新型」的資料收集來做, 例如人人都有行車記錄器,這些行車影像是否能收集再利用,讓汽車業或者政府相關機構做為提升機器效能的一種方法?

在AI風風火火的時代,如何把「產業AI化」已經是可以預見、且容易達成的目標。譬如醫療產業中的醫師診斷、藥物分析,金融產業的個人資產、信用評級,或者商業廣告受眾、零售物品購買人分析等,都是可以AI化的目標,進入障礙也相對較低。

但是,想把「AI產業化」,把技術變成錢則還有一段很長的路要走。台灣硬體做得好,系統也不錯,但是結合硬體跟系統設計的人才卻太少,而DNN模型化需要大量的系統設計人才,未來這類的人才培養也值得關注。

 

深度神經網路-DNN(Deep Neural Networks)

是機器學習理論的一個分支,主要透過監督或非監督式的學習來提高機器的演算辨識能力。目前主流且證明確實有效的方法為監督學習,是透過給予機器大量的資料進行特徵辨認,例如希望機器能辨別貓這種動物,就提供大量的貓咪圖片,訓練機器辨識。

 

(本文經闕志克授權轉載《AI×DNN 讓機器更聰明》)

 

延伸閱讀:深度神經網路 成AI發展重點

 

Facebook留言

則留言



======================================================
如需轉載、引用本篇文章,請先與我們連絡呦!

每一個 都是支持「工業技術研究院」持續創作的能量!感謝您!! ======================================================




關於作者


闕志克
現任工研院資訊與通訊研究所所長、台灣雲端產業協會秘書長,為美國柏克萊大學電腦科學博士。曾任賽門鐵克美國總部核心研究實驗室總監及美國紐約州立石溪大學計算機科學系教授,發表超過200篇學術論文且多次獲得國際性最佳論文獎殊榮,在國內外資通訊科技學術與產業界極富盛名。

你可能有興趣的文章