技術

自 Apple 公司在自主研發處理器上取得成功後，各家媒體多將焦點放在卓越的媒體製作效能，以及不同情境下，處理器的效能檢測結果，卻忽略了 Apple 處理器上特別的 16 核心神經網路引擎(Neural Engine)。對 AI 工程師來說，不免好奇神經網路引擎是否能帶給大家不同的體驗以及使用方式。因此，本文將與大家分享 python 調用 Neural Engine 的方法，從 Neural Engine 執行結果所花費的時間來看，速度加速非常顯著。

影像任務是目前人工智慧應用中，表現十分突出且被廣泛使用的一塊，最常見的三大任務分別是影像分類、物件偵測及語意分割。所謂的影像分類指的是，將一張圖片輸入AI模型後，模型會將圖片進行分類並輸出結果。

在數據分析的領域中，我們常使用到的工具包含SQL、SPSS、Python等程式語言，而接下來的整個系列裡，數據領航員會以Python的角度帶大家切入主題作探討。

近年來，深度學習除了在單一領域，如電腦視覺、自然語言、語音處理都開創了一片天外，也開始朝向multi-modal learning的方向發展。Multi-modal意指整合多於一種的資料類型共同學習，有點像是幼兒在探索世界時，會同時接收到視覺、聽覺、觸覺…等多種感受刺激，使其能更了解一些概念的不同面向，例如白兔有著大耳朵與短尾巴，摸起來毛茸茸等概念。

什麼是BERT？BERT是Google團隊在2018年提出的預訓練語言模型，並在自然語言處理（Nature Language Processing, NLP）領域中掀起一陣炫風。本篇文章將針對BERT的機制、如何應用BERT解決NLP問題、BERT的模型可解釋性三大部分進行介紹。

大數據、雲端、人工智慧、穿戴式裝置等技術發展與實驗成果陸續發表，許多醫療服務因為AI導入而產生變化，例如遠距視訊看診、健康存摺、個人健康分析等，智慧醫療的興起正為生活帶來創新改變。醫療產業如何透過AI應用結合保險一直是業界關注焦點。

車牌作為汽機車的身分證，車牌辨識在門禁、執法與行駕等情境中非常重要，其技術需要很多代表性的車牌作為訓練集，但是車牌影像取得不僅困難、還有隱私的考量。那麼，我們能不能利用cycleGAN相關的image-to-image技術，以及使用styleGAN相關的image generation技術等，合成出逼真的車牌影像增加資料的豐富性？

「自然語言處理」又稱為 NLP（Natural Language Processing），為近年來十分熱門且挑戰性十足的研究領域，針對不同的任務類型，我們會選擇不一樣的解法以達到最佳表現成效。舉例來說，目前的 DL 模型擅長解決類似選擇題的分類問題 （Grouping Problem），提供兩篇新聞，讓模型判斷這兩篇文章是否相似、同一類型與否。但如果要讓它判斷兩個句子是否有前後文的邏輯因果關係，或是不同語句的語意是否相同，對 DL 模型而言是困難的。