分類
區塊鏈

金融、物流應用型態開始更多元,企業區塊鏈市場逐漸成熟了

勤業眾信亞太區塊鏈實驗室經理Kelvin Wong日前在一場活動上,分享了區塊鏈最新應用趨勢。他認為,許多企業對區塊鏈的印象還停留在比特幣引發的負面印象,但相較於三年前,現在的區塊鏈市場更加成熟了,已有越來越多企業導入相關應用。

例如,勤業眾信輔導一個香港區塊鏈應用是香港金管局,這個機構在去年底推出了「貿易聯動」(eTradeConnect)的服務,這是香港銀行業中,第一個應用區塊鏈技術的大型金融資訊共享平台,截至去年底就已經有12間銀行參與,來解決傳統貿易融資借貸的弊病。

一般來說,企業要向銀行融資借貸,最常見的就是拿現有訂單的收據,來向銀行證明自己將來具備還款的能力。不過,傳統的融資流程有兩個痛點,一是仰賴大量紙本證明文件,常耗費許多時間在人工核對上,還容易出現疏漏;另一點,同時也是銀行最大的顧慮,就是融資行為被不肖企業作為詐欺手段,利用同一張訂單收據同時向多間銀行申請貸款,再捲款逃跑。

為此,勤業眾信為香港金管局設計一套區塊鏈機制,針對上述的痛點,協助銀行將企業的所有文件數位化並上鏈,讓每間銀行擁有自己的獨立帳本,在徵求客戶同意的前提下,將融資企業的資料同步儲存到所有參與銀行的帳本中,一旦儲存就不可竄改。如此一來,企業申請融資時,能自動對帳來節省紙本消耗、降低人為出錯機會,銀行也不用再靠傳真或電郵來向其他銀行分享資訊,能以分散和受信任的方式,快速無延遲的交換資訊。

Kelvin Wong也說明,由於這些資料都經過加密,若有企業以重複的訂單向不同銀行申請融資,系統偵測到重複申請的情形就會觸發智能,來向該銀行發出重複借貸的通知,「雖然銀行不會知道這個企業在其他銀行借了多少錢,但一被通知重複借錢就可以回絕。」

此外,金融業區塊鏈也能應用在客戶到銀行開戶時,透過客戶過去在其他銀行的KYC資訊,分享給現正申請的銀行來認證,加快銀行進行信用評估的時間。

也就是說,客戶要向銀行B申請開戶,可以向開戶過的銀行A發送請求,運用個資與銀行帳戶資料來構成KYC,銀行將會在區塊鏈帳本中找到該筆資料的雜湊值並回傳給客戶。這筆資料理論上屬於客戶,但實質上以加密的形式保存在銀行A帳本中,也同時存在於區塊鏈各獨立實體的帳本中。接著,用戶就能提供雜湊值給銀行B,在讓銀行B到資料節點中取得資料,來加快信用的審核。

面臨的挑戰

對於服務業者來說,提供服務然後換取客戶手上的錢是最基本的價值,可是到了Internet時代,這樣的價值看起來是不夠的,所有的人都透過Google、Facebook、Amazon等等看到對於客戶的新想像,於是也開始思考起,除了過去的買受關係,跟使用者的關係可否更長久?我們的服務據點這麼多,是否可以產生更多價值?

上述的反思,其實套到許多產業都通,等於客戶開始思考自己在服務基礎上,可否建構出新的數位價值,也就是「數位轉型」。

但是,所有想到的可能性,若基於例如微信平台上來發想,那基本上使用者不是你的,是微信的,消費收錢可能是你的,但微信卻共享了你跟客戶服務後所帶來的資料價值,加上充電樁充電站的架設相當的燒資金,於是就找了我們探討起區塊鏈能帶來的可能性。

區塊鏈應用主要有兩大類需求

Kelvin Wong表示,區塊鏈功能可依需求分成兩類,一是作為集中式的帳本資料庫,利用區塊鏈不可竄改的特性詳實記錄下交易歷程,以利企業進行稽核與查詢,較適合單一企業內部管理資料時使用,每一項交易儲存至區塊後,無論中央擁有者或其他實體均無法刪除或修改。

二則是廣為人知的分散式帳本資料庫,這是當交易牽涉第三方實體時,比如跨國貿易的組成可能有買賣雙方、貨運商、銀行、保險業者等,分散式區塊鏈網路能保障每個組織擁有獨立帳本,且每一筆交易記錄都會儲存到所有實體的獨立帳本中,無法變更或刪除,加上去中心化的架構,讓各實體間不必互相信任也能進行交易。

從勤業眾信輔導過的企業案例來歸納,Kelvin Wong表示,大多金融業者更傾向建立集中式帳本資料庫,因為銀行文化強調穩定、安全性高,資料也多儲存在私有雲中,因此更偏好自己管理資料庫,來避免可能的資安風險,或誤觸法律灰色地帶。

不過,他也認為,分散式帳本更能發揮區塊鏈的特性,來串連起多個實體組成生態系。曾有運送貨櫃的海運物流業者,希望用區塊鏈來追蹤貨櫃運輸情形,勤業眾信了解需求後,提供了更大規模的解決方案,將保險公司、在地物流公司一同拉進區塊鏈。

如此一來,以貨櫃運輸過程的上鏈資料搭配智能合約,就能在貨櫃從A地送達B地時,即時通知B地物流業者來收貨,而且,若偵測到貨櫃在運送途中毀損,也能即時通知保險公司至B地檢查毀損情形並理賠,藉此來串起生態系,「這是傳統的資料庫做不到的,區塊鏈搭配智能合約可以有很多用途。」

※本文章屬於TNZE天擇集團所有嚴禁轉載※

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

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※

分類
人工智慧

要多少數據才能訓練AI模型?拆解企業人工智慧專案為何難落地

訓練一個AI數據模型,需要多少數據?

訓練AI數據模型時,其實有三個要素,彼此互相影響。分別是: 商業問題的複雜度 、 AI模型複雜度 (Model Complexity),以及 數據複雜度 (Data Complexity)。

因此,如果想知道需要多少訓練數據(Training Data),建議先釐清:這個AI專案到底要處理什麼問題,以及這個問題有多複雜?確定之後,再來判斷應該選用哪種程度的模型來做訓練。根據不同的商業命題複雜度,用不同複雜度的模型和精準數據彼此搭配,找出最佳平衡,才能讓AI專案順利落地。

但光憑想像,很難評估實際的AI數據量和成效,所以開始AI的第一步,需要先透過POC概念驗證(Proof of Concept)實驗來找答案。

數據哪裡來?發展AI人工智慧之前,先建立數據流

很多企業會急著開發AI模型,但AI專案落地經驗的三大關鍵之一,其實是先確認:是否已經準備好數據了?如果沒有這樣的能力,談AI落地其實有點好高騖遠。

AI數據收集(Data Collection)最大的挑戰,在於針對不同型態的命題,會產生不同的AI數據需求,因此需要建立的「數據流」(Data Pipeline),AI數據處理 (Data Processing)和數據標註(Data Annotation)的模式及流程也會有所不同。

發展AI之前,如果能建立起從數據收集(Data Collection)、數據處理(Data Processing)到AI模型學習的數據流(Data Pipeline),並確保可以順暢運行,實際訓練AI模型時才會省力很多。

AI模型訓練,記得校準商業目標

企業發展AI人工智慧的最終目的,還是希望能 達到商業目標,創造價值 。

所以,訓練AI模型時,團隊如果不知道如何判斷哪個指標,對AI模型學習來說比較重要,建議回歸初心,重新釐清「 這個專案想達到的商業目標是什麼 」。

比方,趨勢科技(Trend Micro)要開發一個能夠判斷電腦病毒的AI,但是勒索病毒(denial-of-access attack)和廣告病毒對客戶的傷害程度大不相同。這時候,工程師就會針對這個命題,餵給AI模型不同病毒種類的數據,讓它學會判斷不同病毒的重要性,分辨出哪些病毒比較嚴重不能有判斷錯誤,而哪些病毒比較無害,不一定要做到一百分。

加快學術研究的人工智慧投入商業與政府應用

而為了協助更多學術研究的人工智慧技術能快速進入市場應用,NVIDIA此次提出的應用研究加速器計畫,則是可讓透過NVIDIA旗下GPU建置平台打造的人工智慧技術,能在更短時間內投入商業或政府應用環境。

在此項計畫中,將讓研究人員及合作組織能取得NVIDIA技術指導、硬體贊助、獎助金、應用支援、人工智慧訓練計畫,甚至包含各項建立人脈網路及行銷機會。同時,此項計畫初期會先聚焦在機器人與無人機應用領域,未來幾個月後則會接續加入資料科學應用、自然語言處理,以及包含語音識別與對話式人工智慧技術發展。

目前包含佛羅里達大學已經藉由Jetson平台,並且與Chemical Containers合作打可用於農業的造智慧噴灑器,而德國埃爾朗根紐倫堡大學則以Jetson平台打造倉庫自動化管理應用的無人機設備,另外麻省理工學院也同樣透過Jetson平台打造能以UV-C紫外線對物體表面進行消毒的應用設計。

※本文章屬於TNZE天擇集團所有嚴禁轉載※