Edge AI需求漸增？2021產業應用與技術趨勢分析
近來，人工智慧技術的發展突破了許多技術瓶頸，為企業的工作流程或決策帶來新的方法，也激發出許多新的商業需求。陳昇瑋博士曾提到，人工智慧發展的三個面向為技術發展、AI產業化、產業AI化，在技術發展階段多半是由學術界或業界實驗室來進行，鑽研機器學習演算法的改善，目的是為了讓演算法可以基於同樣的資料在同樣的條件下，讓電腦表現出來更聰明。AI產業化則是以人工智慧技術為主軸，發展出新產業或新商業模式；而產業AI化指的則是將人工智慧導入現有的各式產業中，藉由人工智慧的協助，提升產品或服務的品質，同時降低管理、人事及生產成本，維持及提升產業競爭力，甚至成為升級及轉型的契機。
面對AI技術快速翻新，有些概念被驗證可行，有些則已經實際被應用到產業中，我們請AIF的工程師們分享他們與產業端接觸的經驗，整理出在AI應用爆發的2020年，對導入AI的企業來說，哪些是常見的技術，又被用來解決哪些問題？另一方面，在即將到來的2021年，又有哪些技術發展值得關注？
2020年產業常用技術回顧
1.大多數優化問題可用傳統機器學習解決
近年來，由於大數據及資通訊產業技術的進步，深度學習的方法與效果也逐漸受到矚目，因為當資料量夠多時，深度學習通常可以達成比傳統機器學習方法更好的效果。不過，AIF團隊從以往在台灣人工智慧學校課程中帶領企業學習的專案中發現，許多企業所提出的問題仍屬於參數最佳化、或是數值優化等題目，面對原本就是表格類型的資料，雖然也可使用深度學習技術，相較利用傳統機器學習的方式，進步幅度並不大。
2.影像辨識仍是關注重點
電腦視覺的應用範圍極為廣泛，近年來更因為相關技術的突破而逐漸受到關注，以醫療及製造業來說，影像辨識的應用範圍極大，包括光學檢測、工安檢測、醫療影像判別、無人駕駛、安防監控...，都與其息息相關。2020年，當紅 AI 物件偵測演算法YOLO新版本v4的出現引起高度討論，比起前一代v3，v4 版本速度更快也更精準。由於 YOLOv4 在運算資源有限時也能維持高精度與即時偵測的能力，未來各種物件辨識，人臉識別，自駕車...等電腦視覺領域，都能用到這樣的強大模型
3.Edge AI發展漸受期待，學習需求漸增
過往由於AI運算對處理器的要求非常高，因此多在大型運算中心（如: 伺服器）上執行，然而，隨著AI晶片的效能越來越好，不僅尺寸更小、功耗更小且產生的熱量也更少，讓Edge AI的發展益發被期待。
為了日後導入AI的需求，AIF發現部分企業對於Edge AI的學習需求逐漸興起，由於Edge AI要上線，也會需要了解Edge device(邊緣運算裝置)的相關知識。Edge device（邊緣運算裝置）主要用於工廠內部各處架設多種類型感測器的需求，如溫度、濕度、轉速的測量，可將工廠的資訊彙整於中控室儀表板，便於產線人員監控。AIF也提供Edge device的相關課程，讓企業學員可以學習到基本電路學、C語言、利用感測器蒐集資料，工廠資料即時上傳雲端等基礎知識。
4.Gan除了變臉外的其他應用
因為換臉app以及名人惡作劇影片的關係而被人熟知的生成對抗網路（GAN），顧名思義是用來「生成」資料，搭配大量的訓練資料，GAN能夠學習到資料中的特性，並產生逼真的非真實資料。因此除了用來產生具娛樂效果的影片之外，也可以應用於標籤樣本較少或是標注成本較高的專案，例如瑕疵檢測、金融決策，以及用於醫療影像增強影像解析的部分。
2021年最期待的技術發展
對於工程師而言，2021年期待的技術發展大致可歸納為四個方向：1.如何克服可用資料不足的問題？、2.AI可不可以解釋、3.模型跨界解決問題、4.人工智慧的資安問題都是近來備受矚目的議題。
1.自監督技術（self-supervised learning）進步為可用資料不足帶來解法
眾所皆知，AI模型的表現與數據的質量息息相關，龐大且品質良好的訓練資料，能讓模型表現得越來越好，但如果訓練資料不多時該怎麼辦呢？有些工程師會透過GAN技術生成資料，增加資料量；或是開發小數據的AI模型。另外利用預訓練模型的遷移式學習以及自監督學習都是常見的技術。
此外，由於人工手動標記數據耗時且昂貴，對部分特殊領域來說，取得足夠的標註數據極具挑戰性，而自監督學習是透過「無標籤」但相關的大量資料，自我學習取得偽標籤，因而再結合監督式學習後可為資料不足的企業提供一個新方法。
2.可解釋AI（Explainable AI ）興起
以往AI的決策被稱作黑盒子，因為無法解釋AI如何從背後參數中進行決策並解釋原因，但隨著導入AI應用的企業增加，AI的服務應用也變得多元且複雜，因此，許多企業也希望AI模型的決策可以較為透明且可解釋，以利企業進行內部風險管理，也讓可解釋AI（Explainable AI ）的相關技術快速崛起。
3.讓模型跨界產生新效果
過往自然語言和電腦視覺會用不同種類的模型來處理，近來，有些相關研究慢慢出現，透過演算法的調整，將Transformer等表現良好且成熟的自然語言模型應用於圖像辨識上，拓展了Transformer在非文字資料上的成果。
隨著深度學習及演算法的突破，讓自然語言模型能夠更全面的連結上下文，有效幫助系統在文本上的理解與生成。圖像辨識擅長局域特徵萃取，利用這些特徵進行分類，再利用一些具備統計學的模型進行分類；自然語言處理的模型則擅長全域處理，因此能連結上下文，有效幫助系統在文本上的理解與生成。因此，有人就想到能否將圖片資訊視為一長串的訊號，利用語言模型優點去判讀、分類，也取得了不錯的表現而讓人期待這個技術概念能為電腦視覺帶來更新的突破。
4.如何避免AI造成的隱私與模型攻擊問題
隨著人工智慧的發展，因數據使用所造成的隱私問題也逐漸被重視，例如歐盟也針對資料使用進行規範— GDPR ，規範技術的使用與隱私保護的合理使用範圍。
在技術上，目前多透過聯邦式學習（Federated Learning）讓使用者的資料不直接傳送至中央伺服器，讓一部分數據在手機端完成訓練並共享成果；由於共享的僅是模型和權重，因而能兼顧個人數據的隱私性。除了單獨使用聯邦式學習，還有更多能加在裡面的技術，像是同態加密、差分隱私等技術，其中差分隱私就是在資料加上雜訊，隱藏掉真實資訊並保留整體資料。
隱私保護與模型的安全需要一起被考量，現今攻擊模型的對抗式攻擊（ adversarial attack ）正在朝如何應用到現實場景發展，那如何能夠防禦他們的攻擊成了當今重要的挑戰。
結語
AIF以推動產業AI化為主要任務，我們從工程師與業界合作的經驗中整理出的2020年及2021年值得回顧與期待的AI技術趨勢，可以觀察到部分技術已經發展成熟，不僅在在產業上已有落地應用的例子更是必備的技術基礎。也有正處於初期發展階段的技術，但未來值得期待其商業價值的發揮。科技的進步將為產業帶來新的變化，甚至改變整個生態樣貌，除了不斷專注各領域的發展形態及技術研究，AIF也希望將技術的種子帶入產業中，藉由技術的加入幫助台灣產業競爭力的提升。若您對人工智慧技術課程有興趣，歡迎與我們聯絡，瞭解更多。