分類
人工智慧

新AI職業誕生:人工智慧檢查官

AI大浪潮來襲,Gartner大中華區資深合夥人龔培元(Michael Kung)今(4)日指出,預期2023年將有75%大型組織會雇用「人工智慧檢查官」,針對非法行為、隱私、客戶信任等面向監督,幫企業降低風險。

他指出,人工智慧跟機器學習技術發展,將使人類決策力大提升,未來「超級自動化」及「自主物件」將成為企業轉型利器,但也因為網路串連更緊密,遭受惡意攻擊度也提高,帶來新的企業風險。

靠AI決策,企業人才荒將爆發

Gartner資深研究總監呂俊寬(CK Lu)也分享,2022年將有30%企業靠AI做決策,目前調查,平均一間企業手上有3個AI專案,但預計5年內企業導入的AI專案將倍增至30件,所需要花費時間將數十年,這其中關鍵問題是AI科學家太少,無法應付太多AI場景,所以企業必須讓AI技術不強的員工也加入專案協助。

提到AI前景,呂俊寬表示不得不提到「Shadow AI」這個觀念,這是指企業根本不知道的AI訓練,由員工自行研發,現在企業非常欠缺AI規範,員工自行做的AI訓練是否合規?所取得的數據來源合法嗎?企業掌握度並不高。

為了規範AI模型,部分科技大廠已經建立AI計畫平台,讓數據跟模型都公開透明,類似建立一個AI廚房供各部門使用。

針對AI興起帶來的隱私權跟安全性問題,各國都給予高度重視,新歐盟執行委員會主席馮德萊恩(Ursula von der Leyen)12月上任,也宣示將在就任後的一百天內推出規範人工智慧(AI)及大數據應用的新法,加強管理AI機制。

不過如何監管AI是一個難題,近期社會上出現許多AI演算法大規模失誤造成的人身安全危害事件,比方自駕車撞死人,引起市場廣泛注意。若要保護大眾不被演算法影響,就必須追究演算法失誤的法律責任,而指定相關法規也會延長人工智慧跟機器學習演算法發展週期,企業人力的培訓跟認證將更花時間。

 

AI技術之專利適格性最難克服

針對AI技術申請專利的問題,劉芳認為最重要的是搞清楚外在的表徵及內在的技術點,在搞清楚以後,日後在維權時如果出現問題,會比較容易拿捏。在技術外在表徵部分,通常是輸入海量資訊,然後出來讓人驚艷的結果。至於技術的內在表徵,劉芳將之分為兩部分,分別是軟體和硬體。軟體部分就是模型及模型的訓練,這一定是在後台操作的;而硬體的部分則是晶片結構,其中涉及算法的優化和指令集。這樣的技術在實現方面比較有難度,主要原因是「看不到」。另外一個更重要的問題是人工智慧技術的開發是分階段的,而日後在維權及訴訟上,會面對更大的困難。

企業大量導入AI,「人工智慧檢查官」職位興起

當企業大量引用AI專案,就需要注意 數據偏差 ,因為對AI而言,事物沒有常識與否的問題,一切都是數據導引出來的結果,然後就會毫不思索的執行,所以餵給AI的數據好壞,將為企業帶來正面效益,同時也可能面對負面挑戰。數據偏見將會導引出隱私權跟種族歧視等問題,讓企業不知不覺走向非預期方向。

※本文章屬於TNZE天擇集團所有嚴禁轉載※

分類
人工智慧

醫療大數據讓人工智慧有智慧 , AI將取代專業? 

「科技始終來自人性。」隨著科技發展,人類的生活越來越便利,手機內有人工智慧助手;汽車也有了自動駕駛功能。在醫療領域,也出現許多人工智慧輔助的醫療器材與軟體。到底是科技引領醫療改變,還是醫療帶著科技改變?

2020年慈濟人醫年會,廖威博與台下慈濟人醫會醫療工作者分享:「醫療大數據 人工智慧有智慧」。慈濟醫療法人廖威博顧問說,其實是相輔相成的,醫療有需求,科技就會跟著研發。2020年10月2日是國際人醫年會第二天,廖威博顧問分享現在最熱門的「大數據」如何與醫療結合。

生活中常聽到人工智慧(Artificial intelligence, AI),應用在醫療上便成為醫療人工智慧,到底什麼是醫療人工智慧?廖威博解釋,包含臨床決策輔助系統(Clinical decision support system, CDSS)、知識庫(Knowledge base)、推理引擎(Inference engine)、專家系統(Expert system)、機器學習(Machine learning)都屬於醫療人工智慧的應用。

從美、中、日、韓到東南亞,Deep01合作夥伴遍及全球

「美國FDA的肯定讓我們在醫界的聲望增加很多,甚至包含日本、中國、東南亞各地很多人前來洽詢,台灣本地當然更多。」周仁海坦言,FDA雖為法規認證,但事實上也代表對公司技術實力的肯定。

目前,此套產品於國內市場鎖定兩種不同的應用場景,其一為中小型醫院的急診室,用以協助急診科醫師輔助判讀,加速後續醫療決策;而大醫院方面,系統將作為傷檢分類工具,同樣提供相關醫護人員輔助判斷,針對有恙患者加速診療,降低誤診或時間浪費的風險。

共同創辦人周仁海認為,從高中時代累積至今的人脈資源、不與人交惡的個性是Deep01能快速打入台灣教學醫院、獲得數據及臨床驗證的前提,而相對豐富的工作經驗,也協助他在跨領域溝通上無須耗費更高的時間成本。於北京創辦顧問公司的烏仕明也指出:「要用簡單的方式去闡述複雜技術,並說服它如何應用於產業是相當困難的,我的工作是轉換語言、進行溝通。」

公司在半年內,獲得許多海外機構主動詢問代理權。東北亞方面,即將與日本前5大商社簽定MOU,加速進入日本市場。東南亞方面,已與新加坡代理商簽下MOU,準備前進新加坡,馬來西亞,泰國3國;中國方面,也與兩家醫療儀器設備商簽下MOU,並與其中一家進一步洽談其他方面的合作。

而就在去年,美國最大放射科醫學會RSNA、以及120家AI影像公司,也紛紛表示對Deep01的產品感興趣,同時也與全美最大的華人醫療集團AHMC建立合作,未來更有望與國際醫材大廠訂定協議,全球布局已然成形。

周仁海說道:「台灣是醫療、IT強國,我們的大方向希望透過兩者做出具有影響力的事情。」就有如「Deep01」的命名初衷,希望深度挖掘二進位(0與1)世界裡極有價值的一塊,透過深度學習應用在醫療領域,Deep01希望以腦部影像的重大疾病為出發,專攻急診,站穩垂直領域之後,再向前邁出下一步。

人工智慧很常應用的地方就是醫療影像判讀,因為速度快,且精準度高。利用GPU(graphic processing unit)去處理大量的像素(pixel)。然而,廖威博說,若投入資源研發醫療影像判讀,只能判斷影像,若是可以把人工智慧應用在整合各種醫學檢驗報告與影像資料來協助病情判斷,可以發揮更大的功能。慈濟醫療志業與華碩合作開發的人工智慧早期肺癌偵測系統,採用最新的AI演算法,能將醫師原本需要花十分鐘仔細判讀的時間,降低至一分鐘內。

人工智慧的另一個好處,是可以橫向連結。建立數據庫之後,提供醫生電子病歷智慧搜尋服務,讓他們可以抽絲剝繭,找出某些疾病與其他病徵之間是否有關聯。慈濟醫院也利用人工智慧模型整合HIS系統,包括護理站的電子白板、每日查房的紀錄,達到訊息同步,協助醫護人員注意再住院風險高的病患等。

※本文章屬於TNZE天擇集團所有嚴禁轉載※

分類
人工智慧

人工智能破解生物學最大謎團之一: 蛋白質

半個世紀以來,預測一種蛋白質如何折疊成其特有的三維形狀一直困惑著科學家,也是生物學的重大挑戰之一。

但專家們宣佈,這個生物界最大謎團之一現在基本上已經被人工智能AI破解。

總部在倫敦的英國人工智能公司DeepMind(深度思考)稱,他們「基本上解開了這一難題」。

更好地理解和預測蛋白質形狀對未來新藥的開發起到關鍵作用。谷歌旗下的DeepMind所取得的科技進步預期有望加速對包括新冠在內等一系列疾病的研究。

無論是酵素、抗體或是化學傳訊素費洛蒙,都與蛋白質的作用有關,因此這也對於未來科學家研究病毒、新冠病毒或是癌症細胞表面的受體,都有助加速研究、了解。研究團隊中的馬里蘭大學教授姆特(John Moult)也說,小小的病毒就可以讓人類健康造成災難性影響,因此人類更需要了解這些蛋白質如何運作。

此計畫的相關研究成果與資料都是以公開資料庫進行,目前進行的AI系統Casp-14的準確率很高,有2/3的實驗樣本準確率與實驗室相當,其他雖然也很高但有調整空間,他們雖然還要持續用比較複雜的蛋白質分子進行AI的優化,但對於未來的發展充滿著期待。

用途和意義

明確蛋白質的三維結構對開發新藥以及了解包括癌症、失智症以及傳染性疾病至關重要。

以新冠為例,科學家一直在試圖研究新冠病毒表面的刺突蛋白是如何與人類細胞中的受體相互作用的。

倫敦大學學院的馬丁教授告訴BBC記者,了解蛋白質序列如何折疊成三維形狀其實是生物學最基本的問題之一。他解釋說,蛋白質的功能完全取決於它的三維結構形狀,而蛋白質功能則關係著我們健康與疾病的一切。

因此,了解了蛋白質的三維結構有助於人們設計新藥、防治疾病,無論是遺傳疾病還是感染疾病。

生物學最大謎團之一

歐洲生物信息研究所桑頓教授(Prof Dame Janet Thornton)表示,蛋白質折疊成獨一無二的美麗三維結構堪稱是生物學上最大的謎團之一。

她解釋說,如果能更好地了解和預測蛋白質結構就意味著人類將能更好地了解生命、進化以及疾病和健康等問題。

接下來,更多的科學家希望能檢測這些數據以確定AI方法到底有多凖確、多細緻。

目前,人類對蛋白質的知識仍存在缺口,包括多種蛋白質是如何組合到一起的,以及蛋白質如何與其他分子,例如脫氧核糖核酸(DNA)和核糖核酸(RNA)相互互動。

克雷什塔夫維奇博士表示,現在基本上解決了單一蛋白質的結構問題。它為未來找到蛋白質復合體結構形狀的新方法打開了一道大門。正是這些眾多蛋白質復合體的共同作用才形成了生命的主要機制以及其他功能。

※本文章屬於TNZE天擇集團所有嚴禁轉載※

分類
人工智慧

透過攝影機畫面自動檢測社交距離,「人工智慧」將超越人類?

在對抗新冠狀病毒的鬥爭中,保持社會距離是一個減緩疾病的傳播非常有效的措施。雖然數以百萬計的人們都老老實實呆在家裡幫助減少傳播,但製造業和製藥業的許多員工仍然不得不每天上班,以確保滿足基本生活需求。

為了幫助確保這些人在工作場所保持社會距離,吳恩達在 Landing AI 的團隊剛剛發佈了一個人工智能社會距離檢測工具,可以通過分析來自攝像機的實時視頻流來檢測人們是否保持安全距離。

這個工具能實現什麼呢?比如在一家生產防護設備的工廠,技術人員可以將這種軟體蒐集到他們的安全攝像系統中,用簡單的校准步驟監視工作環境。

探測器可以用紅色框框顯示距離低於最小可接受距離的人,並在兩者之間劃一條線來強調這一點,該系統還可以發出警報,提醒人們在違反協議時保持安全距離。

實現這一效果主要包括三個主要步驟:校准、檢測和測量。

DeepMind致力打造人工智慧 2014年首度擊敗圍棋冠軍

DeepMind是一家英國的人工智慧公司,建立於2010年,最初名稱是「DeepMind Technologies Limited」,在2014年被Google收購。DeepMind在2014年開始開發人工智慧圍棋軟體AlphaGo,到了2015年10月,分散式版AlphaGo分先以5:0擊敗了歐洲圍棋冠軍華裔法籍職業棋士樊麾二段,這是電腦圍棋程式第一次在十九路棋盤且分先的情況下擊敗職業圍棋棋手。2019年1月25日,DeepMind人工智慧AlphaStar在戰略型電腦遊戲《星海爭霸II》中,以懸殊的「10:1」戰勝人類職業玩家。

Google DeepMind執行長Demis Hassabis曾表示,深度AI如果能直接使用在其他各種不同領域,除了未來能玩不同的遊戲外,例如自動駕駛、投資顧問、音樂評論、甚至司法判決等等目前需要人腦才能處理的工作,基本上也可以直接使用相同的神經網路去學而習得與人類相同的思考力。

憂心人工智慧豢養人類 特斯拉執行長:人類恐變家貓

馬斯克近日接受《紐約時報》專訪時表示,「我們目前正朝著一個人工智慧將比人類更聰明的方向發展,相信在不到5年內,人工智慧就會超越我們,但這並不代表5年後人類社會的一切都會崩壞,只是代表事情將變得不穩定或怪異」。馬斯克在2015年與合夥人共同創建工智慧研究組織「OpenAI」,用以確保人工智慧造福全人類為理念。他在2016年時變提出警告,隨著人工智慧的崛起,人類可能變成一隻「家貓(house cat)」,因此他呼籲必須對下一代人工智慧技術進行更嚴格的監管。

※本文章屬於TNZE天擇集團所有嚴禁轉載※

分類
人工智慧

大數據和人工智慧危害網路安全的未來?

隨著物聯網設備的發展,各種裝置都可以連上網絡,使得阻斷服務攻擊 (DDoS)、勒索病毒、惡意軟體、網路釣魚等網路安全威脅日益新增。此外,網路攻擊變得更加複雜,新型惡意軟件的變種更是層出不窮。網路安全廠商 Watchguard 在2020年第一季發表的網路安全報告就指出,許多惡意軟件都是經過加密的,使其難以檢測及防禦。

然而,這可以借助大數據和人工智慧 (AI) 的科技來解决上述的問題。人工智慧可協助分析從各種設備收集到的大量數據,以實現實时威脅偵測,並可檢測更複雜的安全性漏洞,以强化對潜在威脅的防禦。以 DDoS 攻擊為例,可以事先在網絡上布建攻擊偵測器來收集網路流量等數據,通過人工智慧分析出特定的威脅模式,就能在 DDoS 發動攻擊前偵測到异常,以立即封鎖可疑的威脅。

 

了解人工智慧、機器學習、演算法、及大數據各自出現在上述案例的何處

1. 演算法:整套的計算流程可稱作蒙地卡羅求面積的演算法。

2. 機器學習:可以發現電腦學會用蒙地卡羅求面積,並且不再受限既定的幾何圖形,進步到可以計算任意圖形。

3. 大數據:可以發現當丟丟看的次數過少時,機率會不夠精準,而丟的越多次,機率就會越正確。同時也可發現只有電腦可以執行多次的快速運算,在數量及速度都遠勝於人類。

4. 人工智慧:我們讓電腦學會一個人類做不到的求面積方式,不正代表電腦有其特殊的智慧。

【為什麼早期不用蒙地卡羅法】

理由很簡單,早期沒有運算能力夠強的電腦來執行大量的反覆丟看看的運算,而現在可以,我們讓電腦學會計算任何圖形面積的方式,這就是機器學習,不就代表電腦可以獲得智慧,而且比人類更有效的計算出面積,幫助人類節省時間。

為什麼要特別討論蒙地卡羅法?因為現有的積分技巧都是建立在可以把曲線化為函數,再去進行積分運算,或進行數值分析(切長條)。而蒙地卡羅法的好處就是將要討論的圖案拿來直接做丟丟看的機率計算,就可以得到面積,所以蒙地卡羅法才如此重要。

類似的概念早在阿基米德時期就已經存在,就是排水法,我們不用把完整的物體切片算體積,只要計算水位上升多少就可以知道體積。也就是不用管原本的形態,直接找到接近的答案。換言之這也就是現在的黑盒子模式(Black box)。

以往網路安全較為著重被動安全,而通過大數據和人工智慧科技可以化被動為主動,預測攻擊者即將發動的威脅,並事先採取主動措施,封锁攻擊的發生,或減緩攻擊發生造成的風險。

當然,日常上網時的網路安全措施也非常重要。除了安裝殺毒軟體之外,上網時使用 VPN 可以保護裝置中的數據和上網活動不被有心人士存取,能進一步保護隱私和安全。

※本文章屬於TNZE天擇集團所有嚴禁轉載※

分類
人工智慧

AI能聽咳嗽聲音辨識病毒及熱影像體溫偵測技術

美國的研究人員開發出一種智能演算法,只要聽到咳嗽的聲音就能知道這個人有沒有感染新冠病毒。

研究人員表示,在新冠病毒測試結果呈陽性的人當中,這個演算法的成功率達98.5%。在無症狀患者當中,凖確率達100%。

這個運用人工智能的演算法是美國麻省理工學院(MIT)實驗室開發出來的。研究人員在電氣電子工程學會(IEEE)的《醫療生物工程》(Engineering in Medicine and Biology)期刊上發表論文。

研究團隊希望能將這個技術應用到手機程序App上讓更多的人使用,但是在那之前還需要得到主管機關的批准。

因應武漢肺炎疫情的爆發,為檢測民眾出入公共場所時的體溫,以達到防疫的目的,工研院 9 日發表「熱影像體溫異常偵測技術」,藉由非接觸式探測紅外線能量的方式,進行體溫的檢測。而該項技術也具備「AI 人工智慧辨識」、「室內外皆宜」、「多人動態測量」與「易於快速布建」等特點,目前已陸續導入台北市及離島澎湖的部分中小學內,以創新科技守護防疫的關鍵第一線。

細微差異

論文共同作者之一,麻省理工學院科學家蘇比拉納(Brian Subirana)對BBC表示,「感染新冠病毒疾病之後,就算是沒有出現任何症狀,你發出聲音的方式也會變得不一樣了。」

他表示,這就像是有些人無法從咳嗽的聲音分辨出男女或兒童或成人一樣,人工智能經過分析大量樣本,找出聲音的細微特別之處後,就能夠單憑咳嗽的聲音分辨出是否感染新冠病毒疾病。

他說,這個技術對檢測無症狀患者特別有用,因為人類的耳朵無法從無症狀患者咳嗽的聲音當中分辨細微的差異。

「隨著學校和大眾運輸工具重新開放,這項技術的實際用途可以包括學校、工作場所和公共場所,在這些地方做篩檢預警。」

熱影像體溫異常偵測技術」,除了辨識的精細度與準確性外,與坊間紅外線感測器主要的差異在於具備「AI 人工智慧辨識」,可直接鎖定人臉進行額溫偵測,不必擔心貓狗、公車、汽機車亂入,更不用擔心拿著熱食、熱咖啡卻被機器偵測到溫度過高發出警訊的不準確狀況。此外,我們以智慧化溫度補償技術,減少如光線、氣流或濕度等外在環境干擾,讓人員在戶外就可進行篩檢,「室內外皆宜」改進現有紅外線體溫感測儀大多須裝在室內的限制。

分類
人工智慧

邊緣人工智慧,記憶體內計算的初發

由於邊緣人工智慧,譬如卷積神經網路(CNN),所牽涉的指令相當單一,基本上是矩陣和向量的乘積,計算上屬於乘後累加運算(MAC;Multiply-Accumulate),以記憶體來做MAC單元有很高的可行性。

方法有二。一是在記憶體的週邊線路小幅度的修改,但不影響其單元結構,並且加入可重構(reconfigurable)線路的設計;另一是靠記憶體的輸入/輸出來操作邏輯運算。

雖然以前試過以SRAM與DRAM來當記憶體計算的載體,而且在速度與技術成熟度有相當優勢,但是在AIoT的應用中這兩種記憶體於功耗此一項目比較難以交待。

用非揮發性記憶體來做載體是目前考慮的方向,NOR的技術成熟、成本合理,是現在的先行選擇。NAND的密度高,對於較大資料量的運算有相當優勢,但是功耗較高、速度較慢。

新興記憶體中ReRAM和PCRAM是最先被討論的記憶體內計算載體。它們的優點除了速度快、功率較低之外,還有它們的記憶體單元可以是多值—這也是為什麼他們也可以用在神經形態晶片的原因。在計算的邏輯上,安排可以比較有彈性。

MRAM也是候選人之一,與SRAM都已先跨進近記憶體計算領域。它的速度與功耗均佳,可是它只具有二位元值,運算只能做按位(bitwise)的布爾邏輯。FeRAM現在是新興記憶體的當紅炸子雞,它的速度極快,功耗也低,結構也有機會像NAND一樣3D製造,所以一出現在新興記憶體的名單之後,記憶體內計算應用也馬上納入議程。只是FeRAM也只是二位元,受的限制與MRAM相似,他的成熟程度也遠不如其他的新興記憶體。

記憶體內計算的概念迄今已過半世紀,現在於應用場域與載體技術同時出現了窗口交疊,有機會先從邊緣人工智慧此一特殊應用在半導體市場先撕開一個口子,一步一步切入計算的廣衾世界。

公平對待使用者的問題

這個問題看來是與人工智慧設計者的價值觀有著不可分割的關系。一個人所接受的信仰會影響他(她)的價值觀與道德態度,由此會影響他(她)能否公平公正地對待使用者,所設計的產品能夠體現出尊重人權、尊重人尊嚴的特點。 反之,不良動機的設計者所設計的人工智慧產品有可能產生不公平或反人權的現象。我們可以從一些恐怖主義與獨裁的國家最近幾年使用高科技來對付國際社會或對付本國的人民可以看到其恐怖的一面。

人工智慧產品在面對不同文化習慣的國際用戶,將來會遇到更復雜的應用或操作方面的挑戰。人工智慧如機器人能否在不同文化環境提供相對安全與公平的服務嗎?需要大家拭目以待了。

基於馮諾依曼架構的計算於半導體技術發展過程中早已屢屢撞牆(memory wall),許多技術上的發展先後著手於此問題。從最早的高速介面、高頻寬記憶體(HBM;High Bandwidth Memory)、增加CPU的cache(譬如Zen 2)、到異構整合CPU與多個記憶體晶片(near-memory computing)、發展中的用光子互聯記憶體與CPU等,這是一個產業整體的總動員,從設計、CPU、記憶體、代工、封裝各環節無不戮力以赴。

這個問題的克服最終只能是記憶體內計算(in-memory computing),中國大陸叫「存算一體」。記憶體與CPU中間的藩牆撤了之後,傳輸的功耗省下,總功耗省了近200倍,資料傳輸的時間也可以略去,表現自然大幅改善。這個想法在1969年由Stanford的Kautz等人提出,但卻不能算是純然的「新概念」,因為人的腦細胞與現在新興起的量子位元,本來就是記憶體內計算。

概念雖好,但是過去的計算偏向於通用型CPU應用,記憶體技術也不夠成熟,所以沒有實踐的場域。

※本文章屬於TNZE天擇集團所有嚴禁轉載※

分類
人工智慧

日本砸20億補助「AI配對」,人工智慧找出另一半?

為對抗日益嚴重的少子化,日本政府預計2021年將撥20億日圓(約新台幣5.5億元)的預算,補助人工智慧配對系統;該人工智慧配對系統即使找不到合乎年齡與收入等條件的對象,也可運算選出合得來的人,日本官方盼藉人工智慧配對促進人民結婚生子。

2019年促成21對新人 日政府明年補助20億日圓

該報導指出,現在埼玉縣與愛媛縣等10幾個縣,已經引進這種人工智慧配對系統;埼玉縣在2018年度花了約1500萬日圓(約新台幣412萬元)整備人工智慧配對系統,並在2019年度促成的38對新人中,有21對是人工智慧配對系統提案的新人。日本中央政府擬補助地方政府引進與運用人工智慧配對系統,預計補助必要經費的2/3,並在2021年度的預算概算中,編列了20億日圓。

根據日本厚生勞動省統計,2000年時約有80萬對新人結婚,2019年卻僅剩60萬對,結婚人數持續下降,而少子化的主要原因便包含了未婚與晚婚,因此政府盼增加結婚人數、對抗少子化。

法律問題、社會行為與心理反應方面的新挑戰

各國有關部門在熱情地鼓勵積極發展人工智慧創新產品的同時,也可以考慮引導不同社會科學研究單位同時進行有關人工智慧設計產品有可能產生的其他科技以外問題的研究課題:比如從人類社會學角度來來檢討人工智慧的產品與設計對使用者的影響情況﹔從哲學思想界對人工智慧課題不斷提出各層面的疑問與它可能帶來的新挑戰與問題﹔從法律界考慮因著有不道德的設計者製作人工智慧產品所可能產生的可能犯罪問題與相應的法律規則、懲罰規則﹔從社會心理學界對無法適應人工智慧產品的使用者而產生各種心理障的問題進行各種探索。

對抗少子化趨勢 日本推人工智慧配對系統

根據《讀賣新聞》報導,日本內閣府表示,目前約有25個縣政府支援民眾的「結婚活動」,包含聯誼、相親等,同時為希望結婚的民眾提供配對服務。配對服務一般的方式,是幫忙介紹符合年齡、學歷、收入等各種條件的對象。除了這種一般介紹方式,也有人工智慧配對系統,若是沒有找到符合年收等客觀條件的對象,人工智慧(AI)將基於民眾輸入的興趣、價值觀等內容,及在系統內的搜尋偏好等進行計算,提案出「可能會對自己有好感的的對象」。

※本文章屬於TNZE天擇集團所有嚴禁轉載※

分類
人工智慧

人工智慧在更少資料量情況下 完成高精度訓練學習:NVIDIA

針對研究資料不足情況,NVIDIA提出能以少量資料生成更龐大資料量的動態識別增強技術 (adaptive discriminator augmentation,ADA),讓更多人工智慧技術應用能以少數資料量即可順利運作。此外,NVIDIA也宣布推出應用研究加速器計畫 (Applied Research Accelerator Program),讓更多學術研究人工智慧技術應用成果,可以更快藉由以NVIDIA旗下GPU建置平台投入商業或政府應用環境。

依照NVIDIA說明,人工智慧運作基礎多半在於足夠的資料量,但在部分人工智慧分析研究時,往往卻因為資料量不足導致學習成果不佳。

因此,在NVIDIA提出的動態識別增強技術裡,則是讓人工智慧能藉由既有資料量進行一定程度調整,進而產生更多可供學習資料數量。

例如在一般影像識別應用裡,通常需要使用5萬至10萬張影像才能順利訓練高品質的生成對抗網路。藉由動態識別增強技術,則可將幾千張的影片內容透過裁剪、翻轉、變形,以及調整對比、色調、光亮等細節,讓可供人工智慧學習訓練使用影像數量大幅增加,進而提升人工智慧學習精度表現。

專業技術領域的人工智慧只能當作輔助

弗蘭克•帕斯誇里認為,有了新的機器人法規之後人工智慧可以更完善地為人類服務,而不是被矽谷工程師封閉起來再決定該用它做什麼,而他對於新機器人法規的建議是,第一作為人工智慧技術人員應該要好好的待在補充專業人士知識的位置上,而不是取代專業人士,第二人工智慧和機器人系統不允許假冒人類,第三我們應該阻止人工智慧參與任何軍事任務,而且機器人和人工智慧系統需要強制地公開自己的身份。

不過可以發現這些法則也有針對到開發或使用人工智慧的人來進行規範,而不僅只有機器人本身,因為這些雇用或開發人工智慧的人才是真正掌握權力的。弗蘭克•帕斯誇里補充說:「在我看來,許多專業技術領域或許需要人工智慧但是人工智慧最恰當的角色是輔助這些專業人士,而不是取代他們。」

在NVIDIA的StyleGAN2模型示範中,便是利用數千張的藝術畫作作品,讓人工智慧能以有限資料量完成高精度的分析識別效果,同時也不會出現將相似影像判斷為相同內容的誤判結果。就整體結果來看,藉由動態識別增強技術提高學習精度的表現,實際上與透過足夠影像數量的學習結果幾乎相同。

雖然過去研究中也應用類似作法,但當時並未增加生成對抗網路模式,使得人工智慧後續開始模仿調整後的影像內容,導致產生全新不同影像學習結果,造成學習分析精度受到影響。在後來提出的動態識別增強技術,則是透過動態調整方式避免此類問題,並且讓學習精度可以大幅提升。

※本文章屬於TNZE天擇集團所有嚴禁轉載※

分類
人工智慧

搶進人工智慧AI市場 奇景攜手Edge Impulse

Edge Impulse共同創辦人兼首席執行長Zach Shelby表示,嵌入式機器學習在工業、企業和消費者應用上機會無窮無盡,讓客製化及數據驅動化(Data-driven)的價值展現出來,Edge Impulse 結合奇景AI處理器和視覺全時感測器,使能嵌入任何地方的極低功耗機器學習得以實現,為這些市場帶來重大的改變,為客戶帶來新的價值與商機。

奇景光電執行長吳炳昌表示,奇景和Edge Impulse 聯手幫助開發者,提供免費、高資通安全、高隱私安全以及易於使用的嵌入式AI推理開發工具,創造嶄新的用戶體驗,Edge Impulse 簡化了神經網絡的創建,容易上手 ,能在奇景各式產品上,包含AI 處理器和全時感測器,以超低功耗運行。

如果今天不是沒有AI數據,而是數據很多,又該從何下手呢?

我建議,嘗試減少訓練AI人工智慧時的「 數據大小 」和「 數據筆數 」。

過去曾經處理過一個AI專案,數據多達2億筆。第一次實驗,把數據全部餵進AI模型,取得結果。第二次,只拿其中有代表性的500萬筆出來訓練人工智慧。

猜猜結果如何?兩次實驗的表現,只差異不到1%。

所以,如果企業對於AI數據的品質和數量有一定程度的自信根據,其實不用把數據全部餵進AI模型訓練(Model Training),只用有代表性的AI數據來訓練就可以了。市面上很多常見的AI工具(Cluster),可以做到這點,幫助省時省力。

AI數據小學堂:模型指標(metrics)

在做模型實驗時,通常會用混淆矩陣(Confusion Matrix)的四種指標:TP(True Positive)、TN(True Negative)、FP(False Positive)、FN(False Negative),以及Count、Unique和Accuracy等等函數,來判斷這個模型的表現好不好。

P或TN值,代表模型辨識的答案正確,和預期結果一致。例如:模型正確判斷出「這是一隻貓」、「這不是一隻貓」。而FP或FN值,則代表模型的判斷錯誤,例如「明明是貓,模型卻說不是貓」、「明明不是貓,模型卻說它是貓」。

※本文章屬於TNZE天擇集團所有嚴禁轉載※