账号:
密码:
最新动态
产业快讯
CTIMES / 文章 /
人工智慧技术发展
 

【作者: 廖俊威】2020年02月12日 星期三

浏览人次:【4634】

近年来人工智慧(Artificial Intelligence, AI)技术快速发展,越来越多企业想引入AI技术至生产线以及服务上,期望能让机器取代人力以节省人力成本,甚至是做出更加精确之决策,改善使用者体验,而在学术界AI技术也是热门的研究议题之一,众多学者提出适应不同情境的模型,与更加快速的训练方式,使得AI成为未来最具发展性的技术之一。


人工智慧简介

人工智慧最早可以追溯回1950年代,当时主要应用在棋盘游戏上,随着理论与硬体的发展,AI可使用的领域越来越广,在特定领域中甚至比人类表现得更加优秀。


在过去人们解决问题往往依赖各式各样的演算法,使用逻辑推理得出不同问题的最佳解,然而传统演算法的设计需要经过层层的推理与验证,才能确保得出的答案正确无误,这严谨的过程导致传统演算法设计十分困难与费时,然而AI却以不同的角度来解决问题。对于AI而言,只重视最后得出来的答案是否正确,良好的训练资料越多,回答的正确率就越高,由于这样的特性使得同一个AI演算法能应用在众多领域。


人工智慧发展状况

人工智慧的技术不论在学术界还是产业界皆受到重视,在学术界越来越多学者投入AI的研究中,近年来与AI相关的论文越来越多,各大研讨会与期刊也陆续将AI作为一个独立的主题进行征稿,突显了AI在学术领域的重要性。



图一 : AI研讨会列表
图一 : AI研讨会列表

除了在学术界有许多与人工智慧相关的研讨会外,在产业界也出现众多以AI为主打的产品,举凡智慧音箱、智能家电、车牌辨识系统等,在生活中不时可以见到与AI相关的应用,除了改善生活品质外,也减少了许多人力的消耗。



图二 : 结合人工智慧之产品
图二 : 结合人工智慧之产品

HTTP://smart living.她臀沟.com.台湾/rice cooker/index.HTML)


人工智慧能应用在很多领域,其中以影像相关应用表现得最好,举凡人脸识别、轨迹预测、智慧采果机、AOI系统等,皆是已实现之应用。利用AI处理影像的技术被称之为电脑视觉(Computer vision),藉由训练模型来让电脑「看得懂」影像的内容,并根据不同的内容做出不同的行为。


相对于文字资料,影像资料中包含更多的资讯,使得AI模型在训练时能有更多的参考资料,让AI在实战时有更好的表现,另一方面,在AI技术出现前已有成熟的影像处理演算法,为后续电脑视觉的发展奠定了良好基础,结合传统演算法与AI技术,能更加精确的处理影像相关应用。


提到人工智慧在影像中的应用势必让人联想到ImageNet,ImageNet专案是一个大型视觉资料库,其中有上千万张已标记过的影像提供研究使用,该专案在每年会举办一次竞赛,辨识不同的场景与图中物件,现今有许多AI影像应用所使用的模型结构皆来自于该竞赛,同时许多训练好的模型也被释出,不仅促进学术研究与产业开发,还加速了AI技术在影像的发展。



图三 : ImageNet
图三 : ImageNet

人工智慧优势与限制

相较于传统演算法,人工智慧有较大的弹性,AI重视所得出的结果而不重视过程,同时允许一定程度的误差,当人们试着去解释AI是如何做出决策时,发现模型中的参数难以解释,由于模型中各项参数调整是基于复杂的数学运算,根据训练资料一步步更新模型参数,让输出的答案与正确答案越来越相近,因此AI模型曾被戏称为「黑盒子」,但这并不影响AI技术的重要性。


传统演算法需针对不同的问题来设计不同的演算法,但其中有一些难题无法在多项式时间内被解出,使得传统演算法在设计上面临困难,但AI技术的设计相对单纯,只针对输入与输出进行对应,当有越多笔测试资料可供训练,AI的表现就会越好,根据许多研究者的经验,只要有足够多的正确资料,AI在任何领域皆能表现得不错。


人工智慧拥有很多优点,但也有其相对限制,由于AI只专注于所得答案之正确性,因此当训练资料不够时往往表现不佳,而训练资料也有品质上的限制,若所搜集到的训练资料包含太多错误讯息,AI同样无法有良好表现。另一方面因为资料的限制,AI在不易搜集到资料的领域难以实现,例如战争预测、疾病爆发等,AI皆无法有良好的表现。


AI技术主要包含资料处理与模型训练两大部分,实际操作流程大致区分为:


(1)根据应用环境收集资料;


(2)依照背景知识对资料进行处理,包含资料正规化、去除不合理之资料等,并切割成训练资料与验证资料;


(3)依照不同应用环境决定使用的模型;


(4)将训练资料输入模型当中进行训练;


(5)将验证资料输入训练完成的模型中,确认模型能得出符合期望的答案;


(6)若通过验证则结束流程,若验证不通过或表现不理想,则重新收集资料或重新选择使用的模型。


AI模型表现不佳时,问题常出现在资料集与模型选择上,有时是因为所收集的资料量不足,让模型无法确实学习出正确的决策方法,有时则是因为所选择的模型结构不适合资料,导致即使有良好品质的资料,模型也无法有良好表现。


资料与模型的挑选并没有明确的公式可供参考,只能凭着经验去挑选,为了满足挑选模型的问题,AI开源套件Scikit-learn提供了一个简易的模型挑选原则(图四),让开发者可以快速找出适合的模型。



图四 : Scikit-learn模型挑选
图四 : Scikit-learn模型挑选

常使用到的开发工具

人工智慧的技术包含了许多复杂的数学计算,在开发时往往会使用到许多开源套件,减少撰写程式时的负担,在众多开发套件中最知名的为TensorFlow与Keras,两者皆提供了许多建立模型时所需使用的功能,让开发者能快速修改及建立模型,同时还有多种训练过的模型可供下载。



图五 : TensorFLow
图五 : TensorFLow

图六 : Keras
图六 : Keras

开发工具的出现让模型的设计变得简单,在过去建立模型前除了了解其背后原理外,还需要庞大的数学知识支撑,才能撰写出一个可以正常运行的模型,而在运算效率上除了软体还需要硬体的配合,AI技术能发展一部分归功于GPU的出现,加速了神经网路的计算,让曾经被冷落的AI技术再次受到世人重视。


随着越来越多开发套件与硬体的出现,不仅让开发者更容易进行开发,同时也降低了进入AI领域的门槛,让更多对AI感兴趣的人加入开发行列,使得AI技术快速进步,成为未来最受瞩目且具发展性的技术之一。


范例介绍--人脸识别

人工智慧能使用在众多应用之中,以影像相关应用为例,人脸识别是一项热门的应用,可使用在公司行号上班打卡、会员身分判别、身分比对等许多情境,让使用者可以使用「刷脸」的方式更加快速完成验证, 以下将介绍简易的人脸识别实作流程。


资料收集

首先要先收集欲进行辨识之人的照片,根据人数不同每人所需要的张数也不同,想判断的人数越多每人所需的张数就越多,本案例以三位明星为例,每人收集50张照片当作训练资料,另外再搜集50张照片当作验证资料



图七 : 资料收集 (source:blogs.icrc.org)
图七 : 资料收集 (source:blogs.icrc.org)

资料前处理

由于收集到的照片品质不一,有些包含太多无用资讯,为了避免在训练时受到干扰,需先对每张照片进行处理,使用face_recognition工具撷取出人脸位置,并将不同人的照片编上不同的号码,加速模型的训练。



图八 : 资料前处理(source:凌?)
图八 : 资料前处理(source:凌?)

模型挑选与训练

有了处理完毕的资料集后便可以选择想要使用的模型,在本范例中选择使用ResNet的结构,并引入Keras套件中预训练完成参数进行迁移式学习(Transfer Learning),将模型修改成符合需求的结构,并进行训练。



图九 : 模型挑选(source:凌?)
图九 : 模型挑选(source:凌?)

验证结果

将训练好的模型使用验证资料进行测试,确认正确率符合预期,若表现不佳则须重新训练模型或再次修改模型结构,直至正确率高过一定水平。



图十 : 验证结果(source:凌?)
图十 : 验证结果(source:凌?)

本范例简易介绍人脸识别的实验流程,在实际应用情况当中仍有许多需要考虑的细节,像是个人照片的提供、拍摄时的场景变化、辨识精准度之阀值设定等,许多细项需要做考量,因此人脸识别在实现过程中仍有一定的难度,需要细心及耐心的处理。


结论

人工智慧的出现带给人们生活很大的影响,许多事情不必再由人类自行处理,随着软硬体的进步,AI能办到的事情越来越多,在社会上什至出现了AI最终将取代人类的言论,反对AI技术发展,但不可否认的是AI技术带给人们很大的方便。


从学术界的角度来看,越来越多学者在进行AI相关研究,以AI为主题的论文也越来越多,成为学术界中主流研究之一。以产业界的角度来看,各大厂商纷纷将AI结合至自家产品之中,出现了许多智慧家电、智能分析系统等,


与AI相关的应用,比起一般的产品,消费者也更加愿意选择拥有更多功能的「智能产品」。


综合产学界的角度来看,人工智慧不论在技术还是应用上皆有很大的发展空间,随着越多人的投入,发展必定更加快速,在未来人工智慧必定会是最主要的趋势之一。


(本文作者廖俊威为凌群电脑软体工程师)


参考资料

[1]“机器学习和ARTI的顶级会议。


[2]“ImageNet,”http://www.image-net.org/


[3]“tensorflow,”https://www.tensorflow.org/


[4]“硬,”https://keras.io/


相关文章
开启边缘智能新时代 ST引领AI开发潮流
NVIDIA人工智慧专家看2024年
你的下一个运动教练可能是人工智慧
人工智慧:晶片设计工程师的神队友
Premium Radar SDK以演算技术改进汽车雷达应用
comments powered by Disqus
相关讨论
  相关新闻
» 互盛以IoT智能环保可视化服务 协助顾客加速双轨转型
» 鼎新电脑携手和泰丰田解缺工 以数位劳动力开启储运新时代
» Fortinet SASE台湾网路连接点今年落成 全台巡??落实云地零信任资安
» GTC 2024:益登展示跨域人工智慧解决方案
» Ansys模拟分析解决方案 获现代汽车认证为首选供应商


刊登廣告 新聞信箱 读者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2024 远播信息股份有限公司版权所有 Powered by O3  v3.20.1.HK83T1NV17MSTACUKG
地址:台北数位产业园区(digiBlock Taipei) 103台北市大同区承德路三段287-2号A栋204室
电话 (02)2585-5526 #0 转接至总机 /  E-Mail: webmaster@ctimes.com.tw