掌握實施要領、妙用先進平台工具 加速 AI 應用落地實現 智慧應用 影音
ITRI
德州儀器

掌握實施要領、妙用先進平台工具 加速 AI 應用落地實現

  • 魏淑芳

現階段企業已可運用電腦視覺與機器學習技術,檢測及分類金屬表面的缺陷。來源:Intel
現階段企業已可運用電腦視覺與機器學習技術,檢測及分類金屬表面的缺陷。來源:Intel

不可諱言,人工智慧(AI)肯定是近年來最能引領風騷的題材之一,只因為假使沒有AI的搭配,談再多的物聯網(IoT)也是枉然,徒然增加一堆「不知道怎麼用」的大數據而已。因此過去紅極一時的 IoT,如今已難單獨引發關注,而是以「AIoT」(AI+IoT)之姿掀起更大浪潮,甚至有專家預言這股AIoT熱潮將延續至少20年。

AI之所以紅,在於它可以實現垂直市場的價值變現。比方說來自溫度、濕度、振動等感測器產出的數據,都只是用來表述某一個時間點的狀態,不過是冷冰冰的數值,如果未做進一步加值運用,幾乎沒有價值;反觀若結合AI分析技術後,靠著 ML(機器學習)、DL(深度學習)所訓練開發出來的模型,便可繁衍瑕疵檢測、散亂工件取放、機台或元件的壽命預測等富含價值的應用,為業主帶來可觀的商業利益。

著眼於邊緣運算需求,目前有愈來愈多廠商推出邊緣伺服器;此類主機均可裝載GPU加速卡,以支援AI推論之工作負載。圖為Lenovo ThinkSystem SE350。來源:Lenovo

著眼於邊緣運算需求,目前有愈來愈多廠商推出邊緣伺服器;此類主機均可裝載GPU加速卡,以支援AI推論之工作負載。圖為Lenovo ThinkSystem SE350。來源:Lenovo

時至今日,綜觀製造業領域,不論是設計、製造、檢測等垂直活動價值鏈,甚至是跨企業的供應鏈管理,通通都被涵蓋於AI的應用範疇。

只不過,縱使隨著這幾年不斷洗腦,AI對於絕大多數業者來說簡直如雷貫耳、無人不曉,但持平而論,AI不是套裝軟體、更絕非隨插即用的工具,假使企業未能掌握AI 技術實施要領,也不懂得搭配運用好的平台或工具,聽得再多、看得再多,都無法真正將AI轉換為數位轉型能量。正所謂萬事起頭難,要想靠AI成就偉大的智慧製造應用,還是得從原點出發,一步步練好基本功。

專家指出,做AI、數位轉型的第一步乃是「命題」,企業必須有能力定義出具有價值的題目,否則無論訂定不出題目、或是題目方向錯誤,都形同輸在起跑點,後續投再多資源、花再多力氣,也難以顯現價值。

但值得一提,在AI整條價值鏈中,蘊含很多重要階段,不管是資料收集、資料標註、模型訓練、模型部署甚或模型再訓練等等,隨著技術演進,現在幾乎每一項都有對應的輔助工具可供運用,讓一些未必鑽研過AI底層技術的人,都有可能獨力完成某些工作流程;唯獨選題這件事,不但需要用戶自己來,也沒有太多工具幫得上忙。

然而不會選題的人,倒也並非無計可施,只是需要考驗自身的悟性。比方說可以參照現成的一些AI應用方案,了解該應用大致上的運作思維、以及預期產生的效益,再回頭檢視自己內部場域,看看有沒有可以套用類似原理來達到改善效果的問題,如果這個問題也剛好攸關經營痛點,那麼拿它們來做為AI命題,肯定錯不了。

善用輔助工具  簡化繁瑣的標註流程

訂定題目後,下一步就是眾所皆知的資料蒐集,因為沒有資料,就沒有訓練素材,也就創造不出AI模型,但如何在合理成本架構下,確保蒐集效率恆常維持高檔,亦是企業必須關注的課題。

隨著各種感測器、邊緣閘道器(Edge Gateway)應運而生,各大公有雲平台的IoT服務日趨完善,加上不久的將來還有5G企業專網居間加持,可以說「雲」、「網」、「端」要素皆已齊備,因此未來不管資料的收集、處理或儲存,能用的工具選項可說相當豐富。

完成資料蒐集,下一個重要工作就是資料標註,也算是耗時費力的一環。舉例來說,若工廠想利用 AI 做產品的瑕疵檢測,那麼一定有先決條件,便是讓機器看得懂所有瑕疵類型,比方說 SMT(表面貼焊技術)的缺件、錯件、短路、斷路等,所以必須先讓看得懂這些瑕疵的資深師傅,從大量圖像中挑出瑕疵部位並予以標註,好讓 AI 機器獲得充分訓練、得以培養瑕疵辨識能力。儘管標註是一項勞心勞力又傷眼睛的工作,所幸目前已有輔助標註的工具出現,用戶可利用這些工具簡化標註的繁複步驟。

一般來說,多數企業考量日後隨時有可能啟動AI專案,但每件專案需要耗用多少CUP 、GPU或Memory運算資源,則難以準確預估,既然如此,便傾向利用雲端平台建構模型訓練的基礎架構。在此情況下,當企業已備妥訓練資料後,即可將這些資料推送上雲,放存於雲端平台提供的資料湖泊(Data Lake)。

藉助自動化機制  一次實現大規模部署

接著進入最關鍵的一個階段、也就是建模,通常需要仰賴建模人才,來滿足原始命題下的概念驗證(POC)目標,以瑕疵檢測為例,其POC目標可能包含檢出率、誤報率、漏報率、推論時間等等。一旦訓練完成,用戶可以利用雲端平台提供的Web介面,清楚看出每個模型的績效表現是否如預期。

此時用戶若選定其中某一個績效最優秀的模型,接下來即需執行部署動作,簡言之就是把它推送到指定的邊緣設備,讓這些設備有能力執行現場推論。但坦白說,模型部署上線這件事可謂吃力不討好,尤其所欲部署的設備台數愈多,拷貝模型的次數愈多、執行安裝的次數愈多,承擔的工作負荷就愈吃重。

因此有些雲端平台標榜提供大規模模型的自動部署功能,強調使用者只能透過Web介面設定好部署標的,後續便藉由OTA方式將模型推送到邊緣端,甚至還可設定排程,以便在日後定期自動更新模型,甚至讓現場很簡單地啟動再訓練程序(當需要增加新的瑕疵樣本時),值得企業參考。

總括而論,AI應用從無到有、直到真正落地實現,其間蘊藏許多不容或缺的作業流程,企業不管打算在地端或雲端做訓練,都必須勤做功課,找出每個環節對應的自動化輔助工具,如此才能無懼於資料科學家人才的欠缺,照樣穩健踏實地創造一個個智慧製造應用服務。

議題精選-2020台北國際自動化工業大展