研华科技近来积极投入AI深度学习领域。研华就观察发现，除了要收集海量的学习资料之外，系统开发者最常遭遇的难题莫过于繁琐的系统建置工程，像是要使用什么样硬体平台才能有足够的性能执行复杂的函数运算？什么样规格的硬体可满足杂讯干扰多的公共运输系统、高标准的科技厂房无尘作业环境、安全防护等级高的医疗院所等场域之要求？ AI系统又要如何连接上层管理软体或云端平台？是否有现成可用的知识模型以缩短深度学习的训练时间？而现有的系统若想要升级为深度学习系统时又该从何下手？

为此，研华以兼具软硬体的深度学习完整解决方案─包括负责训练深度学习模型的训练平台、运用知识模型于现场执行推论的推论平台、方便开发深度学习系统的软体开发工具（SDK）、已完成训练且可直接套用的知识模型、以及专业团队提供的系统规划与技术咨询服务─来解决上述种种问题，从而降低了系统建置的复杂度，让开发者更容易布建AI深度学习系统，并将心力投入于其所熟悉的产业知识（domain know-how）以催生出更多创新又务实的应用。

图1 : 研华+LINKER深度学习系统与传统VM架构比较图

深度学习开启人工智慧的更多应用

运用神经网路演算法的深度学习技术让讨论了超过半世纪的人工智慧（AI）得以走出实验室。现今的人工智慧已不再只是打败世界棋王的超级电脑、正在路测的无人驾驶车、或者是试图拟人化的机器人等研究领域的专属技术，而是更具实用性、也更大众化的应用系统，譬如以AI的深度学习技术提升科技工厂生产良率、为农民筛选品质不良的坏果、于零售门市进行人流分析、协助医师判读医学成像、停车场的车位在席侦测、以及主动纠举交通违规等等。

目前研华的深度学习完整解决方案以成功导入制造业、农业、零售业、交通运输业等诸多行业。光是智慧交通领域就有城市道路车流统计分析、捷运车厢人潮侦测、停车场车种计数与车牌辨识、户外停车场车位侦测、公车停靠区违规停车、大型车辆行车管控、铁道落轨或入侵铁道侦测等等的应用。

图2 : 研华深度学习架构训练与推论

其中，城市道路车流统计分析的解决方案是于交通控制中心安装伺服器等级的训练平台SKY-6100、路侧设备处则安装高性能的推论平台MIC-7500，两款硬体平台即可将该路段每个车道上行经的车辆依车种别（如脚踏车、摩托车、汽车、货车、公车等）进行辨识，辨识结果再经由网路上传至云端平台。而研华的SDK内提供的API则能让资料与系统整合厂商的应用系统无缝对接，从而生成车流报表、或供仪表板即时显示、亦可作为智慧控制之资料来源。而与过往在道路上铺设感应线圈来统计每一时段有多少车辆经过只能有粗略的总量报表相比，导入深度学习应用的新管理模式不仅免除了封路铺设线圈的麻烦，亦能获得更详尽也更精确的统计资料。

而公车停靠区违规停车案例则是于现场装设内建知识模型之外观精巧的小型推论平台MIC-7200来接收侦测摄影机拍摄的影像，经过推论平台的辨识，一旦发现停靠该区的车辆并非公车，不但现场设置的电子看板与广播器会发送警示以告知车主禁止停车的讯息，同时系统亦会于停靠逾三分钟后将资料上传至云端平台之车牌辨识系统以及警察局，以供执法人员径行举发违规临停。透过这样的科技执法工具，人力吃紧的派出所可以远端监控且不再需要亲临现场即能取缔违规；而心存侥幸、贪图一时方便的车主亦在持续影像监控下无所遁形，从而降低任意违停的乱象。

AI是为了解决人类现存问题而存在，具有自我训练能力因而大幅提高图片、影像、文字或语言等资料辨识度的深度学习，则让AI成为在各行各业真正实用的好帮手。但各领域中擅长数据整理与分析的系统开发者，并不那么了解深度学习需要怎样的运算环境。而于垂直产业有广泛的软硬体整合经验又有多样化产品线的研华，可针对不同场域提供适合的深度学习完整解决方案，还能从丰富的第三方合作伙伴中引进系统所需的资源，从而减轻了繁杂的系统建置工作，并降低技术门槛，让系统开发者能尽速完成专案；而研华也相信透过这样资源整合的全方位服务，由AI深度学习技术延伸出的创新智能应用，遍地开花的繁荣景象定是指日可待。