麗臺AI深度學習研討會聚焦工業4.0與生醫影像
- 台北訊
-
台北訊
伴隨人工智慧(AI)近年來全球走紅，使深度學習躍居熱門顯學，只因它顛覆傳統以「規則」為基礎的運算模式，巧妙賦予機器理解、預測、環境適應等智慧，成為驅動商業創新的新動能；專家預期一旦成功結合深度學習、大數據、物聯網，將使AI應用邁進全新里程碑，為各行各業帶來巨大商業價值，舉凡製造業、生物醫學及醫學影像分析等範疇，皆可因AI而搶先受益。
有鑑於AI深度學習對於帶動製造、醫療等產業創新，具有關鍵影響力，麗臺科技特別與台中市電腦商業同業公會、靜宜大學資訊傳播工程學系、長庚大學資訊工程學系跨界合作，在日前聯手舉辦「AI深度學習研討會：工業4.0與影像醫學分析應用與實例」研討會，吸引踴躍與會人潮。
深究這場研討會之所以吸睛，在於幾個關鍵，首先如同前述，製造、醫療等產業可拜AI深度學習所賜，藉以實現工業4.0、智慧醫療等創新目標，蘊含可觀的效益價值；其次GPU被公認是深度學習不可或缺的手段之一，主流深度學習框架均紛紛支援GPU叢集，但對於多數人，如何加速跨足GPU領域、提升研發效率，仍處於摸索階段，然而麗臺GPU團隊不論在於GPU應用、CUDA架構，及後端深度學習模型建置、前端深度學習推論(Inference)裝置，皆累積深厚歷練，不僅已經淬鍊出完整解決方案，亦擁有諸多實作案例，這些珍貴素材，無疑正是與會人員亟欲挖掘學習的瑰寶。
發展AI深度學習，帶動產業創新成長
靜宜大學校長唐傳義致詞表示，不少人對AI表達憂慮，擔心搶了人類的工作，但他對AI趨勢感到樂觀，因為AI象徵一套工具、方法，或促進未來模式變革的力量，若把AI視為IA(Intelligent Assistant)，理當更為貼切。
唐傳義說，麗臺早年即思考將AI落實到經營理念，如今水到渠成，亟盼透過各界合作，致力從AI角度發展關鍵服務，將智慧功能貢獻到產業創新之上，而靜宜大學樂於作為彙聚各方能量的平台。
麗臺董事長盧崑山指出，NVIDIA在2007年推出CUDA平行運算架構，迄今歷經多次版本更新，威力愈顯強大，一路演進皆與GPU息息相關；以2007當年情況，GPU運算效能超越CPU達7倍，所需耗能僅一半，這些優異特質，即註定GPU是推進HPC、AI發展的重要動力。
近年國外全力發展智能化AI與深度學習，只因相關應用的純熟與否，攸關國家競爭力強弱，但台灣的起步較慢，盧崑山不免對此感到恐慌；幸而台灣不管在製造或醫療等眾多產業，皆擁有堅強的國際競爭力，亦累積相當龐大且環環相扣的數據基礎，只要找到好的軟硬體系統架構進行大量運算，便可從中挖掘創新致勝線索，如今大家已對此已有體認與共識，急於以GPU CUDA，及AI深度學習演算法為基底，凝聚各界智慧結晶，加速推動各產業的創新發展，所以他原本抱持的恐慌憂慮，逐步轉變為振奮樂觀，期盼隨著大家的努力，讓台灣在AI深度學習的國際競局中迎頭趕上，幫助各行各業開創更美好的未來。
日常生活，處處蘊含AI與DNN商機
工業技術研究院資訊通訊研究所副組長曾德倫認為，AI來的早、不如來的巧，他個人在30年前唸研究所時，選擇以AI為主攻科目，第一門課便學習自然語言分析法，學著如何利用AI與深度神經網路(DNN)來進行翻譯，但當時與AI相關的工作機會甚少。當前隨著半導體製程精進、運算能力激增，加上AlphaGo掀起熱潮，AI發展機遇不可同日而語。
曾德倫表示，以翻譯App而論，礙於使用不便(譬如找不到網路、手機擴音聽不清楚)、精準度不佳，普及率始終不高，但近期一款被喻為翻譯神器的新品，外觀近似錄音筆體積輕巧、攜帶方便，可在離線操作下，進行日、中、英等三語即時正確翻譯，就連文法的精準度也頗高，唯獨對於過長的語句或專業術語，還有些微失誤。
他推論這款熱賣的翻譯神器，背後一定與AI、DNN有關，先透過強大運算資源進行訓練，結束訓練後，由神經網路將資料進行分類而「推論」出結果，所以這台小小翻譯裝置，即內嵌推論引擎(Inference Engine)，負責提供快速的推論表現。儘管可能礙於訓練資料不夠多，以致還有能力不足之處，但預期今後仍可繼續成長，呈現更完美的翻譯品質。
AI應用在生活之例，除了翻譯機，還包括Google Photo的AI分享功能，及同樣由Google研發以AI製作絕美風景相片，由此觀之，深度學習的發揮空間很大，蹴手可及的題材，皆蘊含無限商機。
借助GPU，帶動深度學習飛快成長
麗臺科技專案經理劉家豪表示，GPU在10~20年前即被人們使用，期初側重繪圖應用，自2007年CUDA 1.0問世後，GPU跨足科學運算領域，被廣泛運用於深度學習，應用範疇橫跨網路及雲端、多媒體暨影音娛樂、保安及國防、生物及醫學、自駕車。
2017 GTC大會分享3個經典的深度學習實例，包括NASA藉深度學習進行衛星影像分類，測量地表變化及碳排放；洛杉磯兒童醫院對患者進行存活率分析，以提供藥物治療建議；橡樹嶺國家實驗室以深度學習分析訃聞，據此分析癌症人口結構。
劉家豪說，深度學習是具有多層結構的人工神經網路，需歷經訓練階段，最終產生Inference，其包含多種框架，例如擅長大型圖像辨識的CNN，或適用於識別文字與語音的RNN。至於GPU加速運算，係以圖形處理單元(GPU)搭配CPU，加速科學、分析、工程、消費及企業應用；而GPU在深度學習的角色，乃是承載應用程式中運算密集的工作，再由CPU執行其他程式碼，GPU內含數千個小型且高效率的核心，擅於平行化處理多重任務。
一旦有了文字、圖像或聲音等大數據資料庫，皆可借助GPU的高度平行化運算能力、矩陣函式庫、優異的浮點運算效能及高效率傳輸，帶動深度學習飛快成長。不僅如此，NVIDIA推出多項有助深度學習的軟體工具，值得用戶採納，譬如針對各大深度學習框架設計的高效能深度學習建構模組cuDNN、交互式深度學習GPU訓練系統NVIDIA DIGITS等等，NVIDIA另基於前端推理應用，推出Jetson TX2完整方案，標榜兼具高效能與低耗能，讓使用者直接在智慧終端裝置上即時處理複雜資料。
利用人工智慧，逐步實現工業4.0
麗臺科技產品經理林威延表示，現今利用深度學習影像辨識的應用觸角，已廣泛朝向廣告投放、安全監控等領域延伸。經過NVIDIA統計，運用GPU發展深度學習的產業分布，以教育體系所佔比重最高，製造業僅名列第8；讓人不禁納悶，製造業發展影響整體經濟甚鉅，何以AI需求相對偏低？癥結在於Domain Know How與數據的取得不易。
以製造業來說，最熱門趨勢無疑是工業4.0，箇中精髓在於虛實整合系統(CPS)，而CPS從底層而上涵蓋5C歷程，依序是連結(Connection)、轉換(Conversion)、網路(Cyber)、認知(Cognition)及設定執行(Configure)；在實際運作上，每經過一段時間，由Sensor蒐集機台一段訊號，同時記錄該時段相關的加工參數，最終透過相似度比對演算法，藉由該機台自己本身相比或與同型機器相比，幫助管理者制定生產決策，以減少人力失誤並提升產能。
在工業4.0領域極負盛名的李傑(Jay Lee)教授，與眾多國際公司進行工業大數據聯合研發，從而孕育Watchdog Agent智能維護系統，內含括健康評估、效能預測、健康診斷，及訊號處理暨特徵擷取等重點，前三項所用演算法皆屬於統計或機器學習範疇，而最後一項最為關鍵，只因特徵擷取方式攸關AI能否良好辨識。
林威延指出，堪稱機器學習入門教材的MNIST，讓人見識到可以用最簡單的類神經網路架構實現高辨識率，但問題來了，如何將製造的訊號與加工參數餵給演算法？他強調醫療業與製造業有許多應用，背後理論相似，例如檢驗醫療影像的技術，可套用至自動光學檢測(AOI)，同理，檢驗心電訊號的演算法，也可以應用於檢驗機台震動訊號。
關於震動訊號的AI應用可謂不少，例如藉由傅立葉轉換，辨識品質合格的主軸、不對心的主軸或部分軸承損壞的主軸，另可再搭配經驗模態拆解法、多尺度熵分析，用於診斷工具機主軸狀態且達逾90%辨識率；此外可利用震動訊號監測刀具切削參數，及利用電流訊號監測刀具磨耗並進行等切削力回饋控制。
值得一提，工業4.0的虛實整合仍為概念，目前並無確切系統規格，實現理論均為以機器學習為基礎的模型，其中感測器包含震動、電流、溫度等等原始訊號，直接作為類神經或深度學習網路的輸入值，不易獲得良好結果，若要達到預先診斷，則訊號的特徵擷取可謂重要因子，不論所用演算法為何，均可利用GPU縮短執行時間。
GPU強力奧援，推動百兆級生物影像分析
長庚大學資訊工程學系副教授林俊淵表示，生物影像的魅力在於揭示生命運作過程，而該校基於生物影像的多年研究，發現經由細胞與粒子活動的生物影像，可望找到生命運作機制，但隨著顯微鏡技術發展，使影像資料不論在數量、尺寸、維度或分析複雜性等方面，都出現愈來愈大的挑戰，唯有運用GPU運算能力才得以突破難關，讓研究人員能在實驗過程中進行即時分析。
林俊淵也分享其與清華大學腦科學研究中心合力推動的果蠅腦影像分析平台，他強調，透過建構人腦圖譜與神經元的相互作用網路，有助了解神經系統疾病與設計新藥，而果蠅是適合用於研究腦功能與結構的生物之一；但論及果蠅腦活動圖譜分析，堪稱是百兆級的浩大計算工程，若未借助GPU的強大運算能力，勢必難以達成。
近年隨著深度學習技術蓬勃發展，輔以GPU計算能力與日俱增，這些正面因素，皆有助於生物影像研究朝向AI發展，讓人類加速探索生命奧秘，對生命科學領域產生更多貢獻。
GPU與CNN加持，準確辨識醫學影像
靜宜大學資訊傳播工程學系教授洪哲倫，為本次研討會壓軸講師，主要闡述GPU與深度學習於醫學影像分析之應用。他指出，以新一代Volta V100架構而論，GPU最高可達5,120個平行的CUDA核心，並擁有7.5 FP64 TFLOPS、15 FP32 TFLOPS運算能力，透過這些優勢條件，不論用於MRI或CT影像重建、超音波掃描、影像切割或紋理分析(Texture Analysis)，都能大幅提升處理效能。
為何醫學界需要從以往基因演算法，推進到深度學習？洪哲倫認為，欲精確辨識醫學影像當中的病灶，若純粹走傳統分類技術，已遭遇瓶頸，後續提升有限，但若能利用GPU與深度學習，尤其藉由CNN輸入層、卷積層(CONV)、線性整流層(ReLU)、池化層(POOL)、全連接層(FC)之循序運作，對於影像特徵擷取可說助益甚大。
總括而論，深度學習於醫學影像分析的應用方向，首先可從MRI與CT著手，進行腫瘤預測，其次則針對MRI或超音波進行影像切割與建模(Shape Modeling)，用以輔助腦部微出血(Cerebral Microbleeds)的診斷需求，或透過CNN計算頭蓋骨形狀並去除相關影像，以期精確擷取腦部特徵，洪哲倫相信未來會有更多使用AI技術協助醫學影像判讀的應用被陸續提出，前景可期。
麗臺科技事業處總經理周世偉表示，麗臺科技長期專注於GPU解決方案、大數據分析，並成立GPU團隊，成功協助諸多學術單位、研究機構與各領域產業界建構AI深度學習平台，且一併規劃CUDA、深度學習之相關課程，提供用戶教育訓練需求，特別對工業4.0、生物醫學影像等領域著墨至深，麗臺GPU團隊已蓄積足夠能量，可協助製造、生技醫療等產業用戶導入智能化AI核心與深度學習，加速突破瓶頸、改善營運效能。
