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

 

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!!
※文章內容為作者個人觀點,不代表本站立場

關閉

開幕在即 2018 CES值得關注的五大技術看點

2018年美國國際消費性電子展(Consumer Electronics Show;CES)即將在拉斯維加斯隆重登場,今年的展期從1月9日~1月12日(美國時間),全世界一級大廠包括英特爾(Intel)、安謀(ARM)、輝達(NVIDIA)等都將在這個絢爛的舞台上秀出最新的趨勢與技術。

閱讀更多 »

數位品牌定位的破壞式創新

本文介紹針對破壞性創新〔disruptive innovation〕所整理的專家論點,讓讀者理清「環境競爭激烈」時可採擇的降低成本、管控風險的行銷策略選項,以及依前述觀點所設計的數位品牌破壞性新定位路徑。

閱讀更多 »

陸商「互聯網+」智能拼製造 台商當自強

「互聯網+」是中國大陸實現產業轉型升級、建立「製造強國」的關鍵環節。以「互聯網+」協同製造為例,大陸在2015、2016年啟動兩次智能製造試點示範專項行動,以試點支持領導廠商形成標竿,並與國際合作標準制定;2016年公布首批中、德智慧製造合作試點示範專案,雙方科研機構與企業共同提案,促進大陸產業掌握德國工業4.0解決方案。

閱讀更多 »
close-link