Insight Tech

對於許多小型企業而言，影像安全系統是設定一次、一勞永逸的工具。業主成天忙於應付客戶、供應商與員工的需求，沒時間花太多心思在平台上，除非發生事故需要調查。

部分的問題出在實體與網路安全性是關鍵而複雜的挑戰。過去，為客戶安裝安全攝影機系統的系統整合商（SI）不得不拉電纜，又要仰賴多半不可靠又粗略的攝影機和記錄裝置。不過，創新的 IoT 安全性解決方案可以維護營運，為企業者和 SI 提供優勢。

「每個人都將攝影機 想成端點，由它錄製影片，」 網路影像解決方案的全球領導者 Axis Communications 的業務開發經理 Mitch Mershon 如是說。「接下來的問題是：我們還能做什麼？我們可以協助終端使用者實現什麼類型的業務與營運改善？」

透過 AXIS Camera Station 影片管理軟體解決方案，企業可以利用分析與音訊獲得更大的投資報酬。

舉例來說，攝影機可以計算每天進出某個地點的人次，有助於建立大樓使用率和客戶數量分析。又或者，如果有人在櫃檯外站了很久，而櫃檯內一直沒有人員前來服務，那麼在高價值區域安裝安全性攝影機的零售商便能收到警報。系統甚至可以播放音訊訊息，通知客戶馬上會有人員前來。

「這樣可以帶來雙重優勢，」Mershon 如是說。「其一是安全性，讓潛在的壞人知道攝影機錄下了他們的一舉一動，如果他們有什麼違法犯紀的念頭，最好三思而後行。其二是提供一定水準的客服，讓客戶知道他們等候的過程沒有遭到忽視，稍待片刻即會獲得協助。」

網路監控攝影實例：安全、保障及其它

Kappy’s Fine Wine & Spirits 創立於 1940 年，是傳承四代的家族企業，販售各種葡萄酒、精釀啤酒和精品烈酒。由於在麻薩諸塞州有 14 家門市，他們必須將現有的影像安全系統升級。

Kappy 與 SI、RGBS/ALSI 合作，尋求解決方案，為客戶、員工與資產提供安全的環境，同時收集可採取動作的業務資料。配備高解析度 Axis 網路攝影機、AXIS Camera Station 影像管理軟體和自訂網路影像錄影機（NVR）的 Axis 監控系統協助 Kappy 實現安全性目標和其他理想。

Axis 解決方案不只是傳統影像監視及監控系統。比方說，它可以簡化 Kappy 串流音樂、營造氛圍，以及自動發佈通知（例如商店打烊）的過程。

Kappy 與 RGBS/ALSI 雙方的商機也不斷成長。從促銷聲明、到測量客流量乃至於瞭解購物高峰時間，Axis 解決方案提供了增加銷售額和創造更佳購物體驗的新方法。此外，開箱即用的解決方案方便 SI 部署系統，他們因而有更充裕的時間提供完善的客服及發展業務。

開箱即用的 IoT 安全性解決方案

部署就緒的工具讓安裝端對系統變得更為輕鬆，無須煩惱要將零碎的元件拼湊在一起。解決方案內建於執行錄製的安全伺服器中。基於使用者的需求佈建多條線路的錄影機，由 Intel^® 處理器驅動技術（圖 1）。

「軟體本身在過去三至五年歷經了這樣的一場變革，」Mershon 表示。「由攝影機決定錄制、傳送和壓縮的內容，它也具有執行分析的智慧。這一切都交由 AXIS Camera Station，由他們進一步詳細分析。」

軟體也增強了搜尋功能。例如，使用者可以指定系統專門搜尋在特定時間經過某區的紅色汽車或穿藍色長褲的人。它也具有車牌識別功能，不但能記錄車輛活動，也能為預先核准號碼的車輛開啟入口大門。

提高 SI 業務成長

創新技術提供功能更強大、可靠性更高的解決方案，為 SI 創造了吸引新客戶的機會。

「能夠從一家擁有品質和創新產品傳統的公司銷售技術，可以增加整合商的信譽，」Mershon 表示。「而且和提供完整解決方案的一站式商店合作，整合商的工作變得非常輕鬆。如果系統出了問題，一通電話就能搞定。」

SI 也可以利用 Axis 的技術支援和 AXIS Camera Station 集成器套件在整個專案生命週期（從設計到實施和維護）為整合商提供協助。另外，SI 可以提供系統健康監控補充服務等輔助性服務來產生新的收入來源。

「如果攝影機故障，整合商會在終端使用者發現前得知，」Mershon 說。「最糟糕的情況是發生事故，而攝影機故障了兩週卻沒人發現。這正是 SI 作為 Axis 合作夥伴可以提供的最佳服務之一。」

透過利用分析和人工智慧的創新技術嶄新系統和連線裝置，安全性的未來將主動出擊而非被動迎戰。

「我認為您會繼續看到愈來愈多人在分析技術上投資，接受主動辨識和處理的新機會，而不是被動應對，」Mershon 表示。「不斷創新是我們始終不變的堅持，引進您在考量實體安全時一般不會想到的新技術。除了更加專業化之外，我們也將看到這些酷炫新技術更廣泛的應用。」

 

本文由 insight.tech 編輯副總監喬治妮．貝內施（Georganne Benesch）編輯。

人工智慧是一個令人生畏的領域，部署人工智慧應用程式有很多事情要做。但是，如果您沒有選擇正確的工具，它可能會變得更加困難。幸運的是，Intel^® 和 Red Hat 所做的工作正在減輕企業和開發人員的負擔。

我們將與企業開放原始碼軟體解決方案供應商 Red Hat 的資深首席軟體工程師 Audrey Reznik 以及 Intel^® OpenVINO^™ 開發者工具產品經理 Ryan Loney 討論部署人工智慧應用程式的一些正確方法。他們將討論機器學習和自然語言處理；將 OpenVINO 人工智慧工具組與 Red Hat OpenShift 結合使用；以及人工智慧智能應用程式的生命週期。

為什麼人工智慧和機器學習成為企業的重要工具？

Ryan Loney: 今天所有的東西都嵌入了一些智能。因此，人工智慧正在融入各個行業—工業、醫療保健、農業、零售等。他們都開始利用軟體和演算法來提高效率。而我們只是處於這個在應用程式中使用自動化和智能的時代的開端。

我們也看到許多公司（Intel 合作夥伴）開始利用這些工具來幫助人類完成工作。例如，技術人員分析 X 光掃描或超音波。以及在工廠裡，使用攝影機檢測是否有出現問題，然後標示問題所在並派人檢查這些問題。

我們甚至開始優化語音合成、自然語言處理的工作負載，這是 OpenVINO 的一個新領域。如果您去自動提款機，讓它大聲讀出您的銀行餘額，這就是開始利用人工智慧的地方。它確實在我們的日常生活中無所不在。

人工智慧與機器學習是如何開始在各個產業中被廣泛地採用？

Audrey Reznik: 當我們研究如何在各個產業中部署人工智慧和機器學習時，我們必須考慮兩種情況。

有時，環境中涉及大量的資料引力，資料無法從內部遷移到雲端，例如國防系統或政府機構—他們傾向將資料保存在內部。所以我們看到很多人工智慧/機器學習都是以這種方式部署的。通常，人們會期待一個具有機器學習作業功能的平台，他們尋找能夠幫助他們進行數據工程、模型開發、訓練/測試部署以及監控模型的東西。

如果沒有特別的資料安全問題，他們傾向於將許多機器學習作業的建立和交付/部署轉移到雲端。在這種情況下，他們會尋找具有機器學習作業的雲端服務平台，以便他們可以再次查看和管理數據、建立模型、訓練和測試它們、部署它們以及監控和重新訓練這些模型。

在這兩種情況下，人們真正尋找的是易於使用的東西—一個對於數據科學家、數據工程師和應用程式開發人員來說容易使用的平台，以便他們可以進行合作。而合作則推動了一些創新技術。

我們看到越來越多人同時使用這兩種場景，因此我們有所謂的混合雲端環境或是混合平台。

部署人工智慧應用程式面臨的最大挑戰是什麼？

Ryan Loney: 最大的挑戰之一是資料的存取。當您考慮為智能應用程式建立或訓練模型時，您需要大量的資料。而且您必須考慮到在一個安全的領域裏取得這些資料並訓練該資料。您不一定要將其發送到公共雲端，或者如果您這樣做，您需要以安全的方式進行。

Red Hat 和 OpenShift 給我留下印象深刻的地方就是他們對混合雲端的作法。您可以使用內部管理的 OpenShift，也可以在公共雲端中執行它—並且仍然能讓客戶將他們的數據保存在他們想要保存的地方，以解決安全和隱私的問題。

許多企業面臨的另一個挑戰是，當他們試圖擴大規模時，他們必須擁有一個能夠在需要時大幅增長的基礎設施。這就是我認為 Red Hat 真正發揮作用的地方—提供這種管理服務，這樣他們就可以專注於讓開發人員和資料科學家使用他們在企業環境之外所使用的工具，並使其在企業環境中也一樣容易使用。

讓我們談談 OpenVINO^™ 2022.1 版本中的變更。

Ryan Loney: 這是自 2018 年開始以來最重大的功能變更，它是由客戶需求所驅動的。其中一個重要變更是我們增加了硬體外掛程式或稱裝置外掛程式。我們最近還推出了獨立顯示晶片。因此 GPU 可用於深度學習推斷。客戶需要它們來進行自動批次處理等工作，他們可以讓 OpenVINO 自動為他們決定批次處理的大小。

正如我之前提到的，我們也開始擴展到自然語言處理。因此，如果您向聊天機器人提問：「我的銀行餘額是多少？」然後你再問它第二個問題：「我要如何開戶？」這兩個問題都有不同的大小—句子中的字母數和單字數。OpenVINO 可以在後台處理這個問題並自動調整輸入。

Red Hat 使用 OpenVINO^™ 的體驗如何？

Audrey Reznik: 在 OpenVINO 出現之前，很多處理都是在硬體上完成的，這是很昂貴的。OpenVINO 的出現改變了模型優化和量化方面的模式。

我先談論優化。為何要使用 GPU ，如果您這樣說「你知道嗎？我不需要這影片中的所有不同畫面來了解我的模型可能在看什麼。」也許我的模型在查看現場的管道，我們只是在檢查以確保它沒有任何問題。在不影響模型執行能力的情況下，為什麼不減少其中一些畫面呢？使用 OpenVINO，您只需添加幾項編碼即可獲得這個好處，而無需使用硬體。另一件事是量化。對於機器學習模型，運算中可能會有許多數字。我以大多數人都知道最著名的數字—pi (圓周率)來舉例說明。它並非剛好是 3.14，而是在小數點後有許多位數。那麼，如果您不需要那麼精確怎麼辦？如果您可以接受大多數人所使用的值(即 3.14)，那該怎麼辦？

您可以為模型省去不少麻煩，因為您仍然可以獲得相同的結果，但不必擔心在進行過程中會產生很多小數點位數。

對於客戶來說，這是非常棒的，因為我們只需使用 OpenVINO 增加幾行代碼。如果他們不必購買 GPU，那麼這會是一種好的、簡單的方法，可以節省硬體費用但獲得相同的益處。

人工智慧的旅程從頭到尾真正需要什麼？

Audrey Reznik: 有幾個非常重要的步驟。首先，我們要收集和準備資料。然後開發模型，並將模型整合至應用程式開發中。接下來是模型監控和管理。最後，重新訓練模型。

在基本基礎架構之上，我們還有 Red Hat 管理的雲端服務，這將有助於採用任何機器學習模型，從收集和準備資料（您可以使用我們的串流服務處理時間序列資料）到開發模型 (我們有 OpenShift 資料服務應用程式或平台)，最後到使用源到圖像來部署該模型。然後使用 Red Hat OpenShift API 管理進行模型監控和管理。

我們還加入了一些客戶管理的軟體，這就是 OpenVINO 的優點。同樣地，我們可以開發我們的模型，但我們可以使用 Intel 的 oneAPI AI 分析工具組。如果我們想要在應用程式開發中整合這些模型，我們可以使用 OpenVINO 這類的工具。

對 Red Hat 而言，我們希望能夠使用其他公司已經建立的服務和應用程式—我們不想重新發明一切。對於模型生命週期的每個部分，我們都已邀請了許多獨立的服務供應商加入這個平台—許多開放原始碼公司已經建立了非常好的應用程式和軟體，可以適用於週期的每個步驟。

我們的想法是，邀請所有這些開放原始碼產品進入我們的平台，以便人們可以選擇—他們可以選擇更適合他們的解決方案，以解決他們正在處理的特定問題。

Ryan, OpenVINO^™ 如何與 Red Hat OpenShift 配合使用？

Ryan Loney: OpenShift 為我們提供了出色的操作者架構，可以直接整合 OpenVINO 並透過這個圖形界面使用它。 安裝了 OpenVINO 操作器後，我就可以建立所謂的模型伺服器。它採用資料科學家透過 OpenVINO 訓練和優化的模型，並提供一個 API 端點，您可以從 OpenShift 中的應用程式連接到該端點。

部署的運作方式是使用所謂的模型存放庫。當資料科學家和開發人員準備好部署的模型時，他們就可以將其放入儲存位置中並建立此存放庫。 然後每次建立實例或 Pod 容器時，它都可以迅速地取出模型，以便您進行擴充。

即使您不執行 Audrey 之前提到的量化，OpenVINO 也會在幕後做一些事情—比如操作融合和卷積融合—這些事情可以提高效能、減少延遲、增加處理量，但不會影響精確度。這些是我們的客戶使用 OpenVINO 的原因：與僅用深度學習進行部署相比，可以擠壓出更多效能，並減少資源耗損。

開始成功的人工智慧之旅的最佳方式是什麼？

Audrey Reznik: 我的一位同事寫了一篇文章，提到最好的資料科學工作環境並不是您的筆記型電腦。他暗示了這樣一個事實，即當他們剛開始工作時，資料科學家通常會做的就是把所有東西都放在他們的筆記型電腦中。這樣會非常容易存取，他們可以載入任何他們想要的東西，而且他們知道這樣的環境不會改變。

但他們並沒有著眼於未來：您如何在筆記型電腦上進行擴展？您如何分享筆記型電腦上的這些東西？你如何升級？

但是當你有一個基本的環境，而且每個人都在使用，它會有益於升級這個環境，增加記憶體，增加使用中 CPU的資源，以及添加另一個託管服務。你也有一些可複製的東西。這是非常關鍵的，因為您希望能夠取得已經建立的內容，然後能夠成功地部署它。

因此，如果您正要開始您的人工智慧之旅，請嘗試尋找一個合適的平台。一個可以讓您探索資料、開發、訓練、部署和重新訓練模型的平台。一個可以讓您與應用程式工程師一起合作的平台。您希望能夠非常輕鬆地完成所有步驟 – 不需要絞盡腦汁克服困難。

相關內容

要了解有關人工智慧和最新 OpenVINO 版本的更多信息，請閱讀人工智慧開發人員利用 Intel^® OpenVINO^™ 2022.1 進行創新，並收聽使用 Intel^® OpenVINO^™ 和 Red Hat 部署人工智慧應用程式。在 Twitter 上 @Inteliot 和 @RedHat 以及在 LinkedIn 上的 Intel-Internet-of-Things 和 Red-Hat 關注 Intel 和 Red Hat 的最新創新技術。

本文由Erin Noble編審。

請試想，速食餐廳可根據是哪些汽車駛入得來速車道，量身打造他們現有的食物類型。請試想，能夠偵測完工汽車零件滲透性有問題的先進攝影機。或者是放射科醫師可以與虛擬助理一起仔細檢查 X 光片，然後挑出有問題的片子再看第二遍。

當前人工智慧開發的重要性

這些改良的作業方式全都仰賴人工智慧（AI）驅動，而且各行各業使用人工智慧的案例幾乎都呈爆炸成長。只要有資料，就有締造效率的機會，而且人工智慧的機會甚至更多。

一系列技術轉變是這場人工智慧革命的推手，包括運算能力成長，以及 5G 網路這類更優異的通訊基礎架構的開發。

然而，雖然人工智慧轉型可能勢在必行，但人工智慧開發人員人才短缺的事實，卻可能成為大規模執行人工智慧的絆腳石。

Intel^® 網路與邊緣事業群副總裁暨物聯網事業群開發人員實現總經理 Bill Pearson 表示：「如果在每個產業應用人工智慧，那麼就意味著我們需要更大量的開發人員迅速學會人工智慧技能。」

近期一份關於企業人工智慧狀態的意見調查發現，人工智慧開發人員和工程師是頂尖人才公司最需要的人才。這個模式普遍存在於所有企業，無論是經驗豐富、技能老練或是剛入門人工智慧部署的人才都需要。然而 Pearson 卻指出，遺憾的是，人工智慧知識卻多半掌握在少數開發人員手上。

這種人工智慧人才的落差，可能肇因於開發人員投入現場工作前，仍有幾項障礙待克服。

頂尖人工智慧開發人員的挑戰以及克服挑戰的方式

1. 人工智慧知識有限

若要建立人工智慧模型，開發人員必須先瞭解人工智慧是什麼，認識人工智慧的用途。然而，現有的說明文件卻往往是針對經驗豐富專業人士所編寫，並未顧及初學者。若要在人才庫迅速注入人工智慧開發人員新血，則必須快速創造公平的環境。

開發人員展開人工智慧學習之旅時，他們需要更合適的說明文件、實作訓練，以及使用容易的工具。

「人工智慧過去一直是屬於專家的領域。我們確實需要讓大家更容易取得資料，我們必須讓人工智慧普及化。」Pearson 表示。「我們必須讓開發人員適時輕鬆找到合適的資料，讓他們更容易取得他們要找的資訊。」

舉例來說，Intel 為需要人工智慧開發特定問題解答的人，提供了各式各樣人工智慧訓練影片與說明文件。這些資料是專為各種程度人工智慧專業知識量身打造，讓初學者可以開始摸索，同時進階開發人員也能為更詳細的應用程式使用案例找到解答。另外，Intel 提供的先決條件清單可協助開發人員展開旅程。

Intel 邊緣人工智慧認證課程是開發人員針對開發人員所開發，傳授核心人工智慧概念，以及如何以自己的步調應用不同使用案例。這個課程提供免費工具與程式碼範本、開放原始碼資源，以及預先訓練的人工智慧模型庫。開發人員可以研究這些模型中的程式碼，瞭解如何在自己的工作應用這些程式碼。

2. 選擇過多

然而，雖然擁有所有可供入門使用的人工智慧工具與資源，但開發人員可能很容易就會不知所措。他們未必隨時清楚知道工作適合的工具是哪一種。接著，大家會擔心這項工具是否為值得信賴的長期投資。開發人員必須理出頭緒，知道哪些硬體、軟體、人工智慧模型和演算法符合他們長期需求。

讓人工智慧普及化，以及改善取得必要工具的途徑，使得它們成為開發人員日常工作流程的一部分。「我們必須秉持開發人員至上的原則提供這些工具，並且搭配開放的彈性平台。」Pearson 表示。

開發人員應格外留意支援他們喜愛之各種已知工具的互通性與開放式生態系統。

舉例來說，Intel^® 發行版 OpenVINO^™ 工具組支援其他熱門的人工智慧架構，例如 TensorFlow、Caffe、PyTorch 與 ONNX，這樣一來開發人員就不會覺得受限於一種選項。

此外，人工智慧工具組使用容易，初學的開發人員也能輕易上手，但其進階工具也能協助開發人員調整工作規模，大幅提升人工智慧技能。Pearson 表示：「這個工具組運用人工智慧與電腦視覺推論，協助開發人員提供更迅速也更精確的結果。」

由於 OpenVINO 屬於開放原始碼，因此開發人員社群強大，可讓開發人員參與、為改善平台貢獻一己之力，以及善用社群所成就的其他改良之處。

Pearson 表示：「開發人員不僅能決定最合適的工具與架構，還能參與打造業界最頂尖的幾款工具與架構。」

3. 建立人工智慧模型

開發人員獲得展開這趟旅程所需的工具與資源之後，隨即面臨開發和部署人工智慧模型的相關挑戰。舉例來說，他們是否有開始打造模型所需的正確資料？資料是否為有用的狀態或格式？他們要如何將資料應用於使用案例？

Pearson 表示：「我們最大的挑戰之一，就是將資料傳送至正確的位置，物盡其用。」資料科學家必須確保人工智慧模型屏除偏見，因此疑慮更多，包括資料集的來源以及使用方式。

為了履行開發人員至上的承諾，OpenVINO 提供了 Model Zoo 這個可供開發人員使用的預先訓練模型組。這個套組包含利用 TensorFlow、Pytorch、MXNet 與 PaddlePaddle 這類業界標準架構開發的範例。Pearson 解釋，建構於開發人員可能已經使用之架構的人工智慧程式碼，符合開發人員至上這個方式的條件，因此他們無須轉換工作流程就可受惠。

對於在雲端與邊緣使用的人工智慧模型來說，還必須解決資料安全性這個疑慮。開發人員與資料科學家必須驗證資料來源，並且確保人工智慧模型開發符合倫理道德。「用途並非唯一的關鍵，用於產生資料和演算法的人員與流程也是。這一切都是打造出符合倫理道德且公平人工智慧解決方案的一環。」Pearson 表示。OpenVINO 工具組透過資料防護附加元件，提供了額外一層的資料安全性。

「使用安全性附加元件時，它只為模型提供一種安全封裝然後安全執行的方式。我們能夠讓使用者擁有適當的模型存取權限，他們是在有若干指定限制內執行模型，而且他們甚至可以在 KVM 型虛擬機器中執行。」Pearson 解釋。

4. 邊緣雲端的困境

接下來的問題則是他們儲存、處理及分析資料的位置。Pearson 表示，人工智慧傳統軟體開發情況不同，開發人員的工作方式自然隨之改變。

傳統上，物聯網裝置多半是專用性質，內嵌於功能固定的裝置。然而，近期雲端和雲端原生技術日益普及成熟，容器與協調也逐漸變得無所不在。因此，開發人員紛紛針對物聯網與人工智慧開發，改用運用雲端原生技術的軟體定義高運算開發環境。

雲端人工智慧用於雲端型機器學習模型繁重的運算作業，而邊緣則提供了在資料來源分析人工智慧模型的新機會。

Pearson 指出：「如果您過去是建置解決方案的嵌入式開發人員，如今卻突然得設法瞭解如何利用邊緣人工智慧擷取及闡釋資料，那麼這可說是截然不同的全新典型。」雲端原生開發正在改變開發人員的現況，他們必須同時瞭解雲端與邊緣的人工智慧使用案例，並且相應地建立模型。

Pearson 指出，瞭解您的業務目標與目的是關鍵所在。他表示：「視開發人員的 KPI 和目標而定，我們可以協助判斷最適合他們執行人工智慧的位置。」

雲端運算在成本與規模方面提供了優勢。如果企業設法達成的目標，不需要在現場確保資料安全，也不需要低延遲，那麼雲端或許是正確的方向。如果有頻寬、安全性與擴充方面的疑慮，那麼開發人員不妨考慮使用邊緣。

「身為開發人員，我可以選擇哪個地點最適合執行哪種工作。另外，無論是邊緣的功率還是效能，我都可以在雲端將運算資源從幾乎無限調整為限制較多，而且我依舊可以取得我設法達成之業務目標所需要的人工智慧。」Pearson 解釋。

有了可擴充的雲端原生開發，無論是邊緣還是雲端，工作負載都可輕鬆延伸至需要智慧的地方。

5. IT/OT 整合

人工智慧效用的本質是整合 IT 與 OT，另一個挑戰隨之出現。開發人員必須瞭解如何將邊緣的作業深入洞見整合至業務營運，實現效率。

另外，為了微調，開發人員必須從 KPI 反推，然後判斷能完成工作的合適軟硬體組合。視 KPI 而定，團隊可能需要不同的效能與功率選項。Pearson 表示：「開發人員必須思考『哪一種硬體適合執行我的應用程式，為我締造需要的結果』。」

假設人工智慧開發人員能夠取得專門知識，讓軟體開發繼續進行，他們還是必須在各種不同的硬體單元測試軟體。這個過程不容易實現，也不是完成工作最省時的方式。持續的全球晶片荒讓問題雪上加霜，使得採用這類晶片的硬體不易採購及購買。

Intel 的 DevCloud 為人工智慧開發人員解決了其中一個最嚴峻的挑戰。它讓開發人員能夠在數百部邊緣硬體裝置測試人工智慧解決方案，因此做決定時不會不知所措。

Pearson 表示：「開發人員可以快速瞭解應用程式使用每部硬體時的效能，也能夠瞭解他們的特定解決方案適合什麼硬體。」

最新版本的工具組 OpenVINO^™ 2022.1，透過專為輕而易舉測試硬體組合設計的全新硬體自動探索與自動最佳化，也能在這個領域派上用場。

人工智慧開發通常過程複雜，因為必須為每個終端使用案例自訂軟體。此外，預計要使用的邊緣硬體，會增加需要測試的排列與組合數量。Pearson 表示，OpenVINO 工具組讓過程化繁為簡。「沒有『我必須以不同方式執行這個，因為涉及 FPGA（現場可程式化邏輯閘陣列）』，或是『若要利用特定硬體功能，我可能必須使用不同的程式碼』。」

撰寫一次即可隨處執行的跨架構工具組，出現了開發人員至上的方式。Pearson 表示：「利用我們的模型優化器，您輕輕鬆鬆即可最佳化、調整及執行推論應用。」更棒的是，不瞭解 GPU 與 CPU 差異的開發人員，可以讓這個發揮作用。

6. 調整人工智慧工作

開發人員開始之後，下一步是什麼？未來的路徑未必一向明確。

Intel 透過 Intel^® Developer Catalog 這套經市場實證的垂直軟體實作，為進階開發人員提供了推論實作。舉例來說，希望實作缺陷偵測人工智慧系統或智慧流量管理的開發人員，可以使用目錄中的範例。Pearson 表示：「您可以看到所有程式碼，我們會逐步引導您實作，而且您很快就能掌握情況。」

人工智慧開發的關鍵不僅是軟硬體，部署環境也息息相關。Intel^® Smart Edge Open 這項額外的工具，可以協助開發人員瞭解，如何讓人工智慧應用程式成為可部署於環境之基礎架構的一環。Pearson 表示：「開發人員在棕地的背景或其他環境測試正在建置的人工智慧應用程式，這一點至關重要。」

僅僅數年前，開發人員能存取及闡釋邊緣資料的這種構想，似乎就像是妄想。然而，這一切正在改變。Pearson 表示：「[人工智慧] 開發人員的角色，比以往更為重要。」「我們必須透過幫助開發人員大規模建置解決方案的工具、產品和資訊，確保他們做好因應這個新環境的萬全準備。」

為人工智慧開發的未來做好準備

這只是一個時代的開始而已。Pearson 解釋，運算能力越來越強，加上人工智慧日益普及，使用案例將會擴充至超乎我們想像的領域，他還補充：「開發人員將會是人工智慧的核心，利用技術超越極限，並且創造一些可能讓我們大感驚豔的有趣解決方案。」

對於開發人員來說，成功的關鍵在於瞭解他們設法解決的人工智慧問題，並且具備解決問題的技能。

Pearson 表示：「現在與未來的關鍵在於開放式架構與開放式生態系統，因為它們具有開發人員需要的更高彈性、互通性與可擴充性。」「人工智慧讓開發人員有機會擁抱新世界以及創新。」

人工智慧將成為未來之道。另外，所有類型的開發人員透過技能提升，以及使用簡化工作流程並釋放創意的工具，即可在這場刺激的革命中佔有一席之地。

 

本文由 insight.tech 編輯副總監 Christina Cardoza 編輯。

在經典電視影集《傑森一家》中，片名角色僱用了名為「蘿西」的管家機器人，這個機器人也會即興扮演家庭居家安全系統和同伴的角色。雖然《傑森一家》的場景設定在距今四十多年的未來，但蘿西這類前瞻性技術早已實現。

最佳範例就是 RoomieBot 這款運用邊緣人工智慧、機器視覺和自然語言處理（NLP）的行動服務機器人，它可以在醫療保健、零售和飯店餐飲的環境中自主導航以及與人類互動。想像這類機器人人工智慧在未來幾年以居家助理的角色，輕輕鬆鬆打理雜物的畫面，一點也不牽強。

行動服務機器人無所不在的未來，需要模組化硬體建置區塊，結合效能、效率和進階軟體支援。

新式行動服務機器人剖析

決定提供這些功能的最佳方式，就是先瞭解目前最先進的技術，釐清其優勢與侷限性。

RoomieBot 的設計採用 Intel^® 實感^™攝影機、Intel^® Movidius^™ 視覺處理器，以及 Intel^® NUC 平台。這個硬體套件為初期階段行動服務機器人奠定了優異的基礎，提供以下用途需要的視覺與運算功能：

• 可自主導航的同步定位與地圖構建（SLAM）
• 可辨識人和物體的視覺偵測演算法
• 語音使用者介面的 NLP
• 控制嵌入式馬達與致動器的功能

然而，各組織期望為大眾市場部署擴充生產這類系統之際，有機會透過升級堆疊，改善效能功耗比，簡化整合。

最值得注意的是，若採用前身為「Alder Lake」的第 12 代 Intel^® Core^™ 處理器，即可達到這些目標。

高效能處理器無須花費大量（功率）費用

這些最新的 Intel Core 處理器，效能大幅超越第 8 代 Intel NUC。

新款處理器多搭載了八個核心（總共 12 個），效能因此得以提升。然而，這些可不只是普通的核心。第 12 代 Intel Core 處理器率先採用混合式核心架構，其中包含傳統的效能 CPU 和 Efficient core 這個新類別。Efficient core 已針對系統管理與控制工作這類運算較不密集的工作負載最佳化。

效能提高時所損失的功率儘可能減少到了最低的程度，因為 Intel^® Core^™ i7-12700TE 處理器的基礎 TDP 僅 35W，相較於先前探討過的第 8 代筆記型處理器則是 28W TDP。對於行動服務機器人來說，這一點有助於執行複雜精密的邊緣人工智慧堆疊，而且不會立即耗盡內建電池。

更聰明的隨裝即用整合方式

對於大量生產和部署來說，將第 12 代 Intel Core 處理器順暢整合至各種不同行動服務機器人架構的能力，則是另一個關鍵考量。

舉例來說，嵌入式和自動化解決方案領航者研華科技推出的 MIO-4370，支援 35W 第 12 代 Intel Core 桌上型處理器，搭載高達 16 個混合式核心和 24 個執行緒。這款小外型規格單板電腦設計為 4” EPIC 尺寸 165 x 115mm (4.53” x 6.5”)，為 OEM 和系統整合商提供了堅固的邊緣智慧模組，配備新式行動服務機器人需要的所有 I/O，例如：

• 協助整合視覺輸入、感知感應器套件、控制訊號發射、程式設計和除錯的各種高頻寬 I/O 和序列連接埠
• 以高達 5K 解析度支援 3 部同步互動式顯示器
• 包含兩個 2.5 GbE 介面且支援時間敏感網路（TSN）與 Intel vPro^® 的連網和擴充方式
• 3 個 M.2 擴充插槽，包括 2 個 M.2 2280 PCIe 4.0 與 1 個 PCIe 5.0，支援使用高速 NVMe 儲存空間，以及影片轉碼、擷取或 xPU 加速卡
• 其他元件，例如智慧型風扇、適用於安全措施的獨立 TPM 2.0，以及適用於語音通訊的音訊子系統

由於行動服務機器人這類物聯網邊緣使用案例，包含許多截然不同的應用程式和功能，因此研華科技單板電腦已預先通過認證，可搭配 Canonical 發行版 Ubuntu Linux，實現容器化應用程式開發。每個容器都有自己的系統影像，因此行動服務機器人的編碼可不必依賴或擔心其他系統需求。這樣一來可縮短開發時間並化繁為簡，但也有可能加速法規遵循工作，因為整套系統一經核准，每個容器的變更通常都可單獨通過認證。

研華科技 iManager 3.0 這類工具提供的 API 可在作業系統下控制 I/O，更進一步簡化了整合。研華科技的 Edge AI Suite 與 WISE-DeviceOn 甚至更進一步，提供建置於 Intel^® OpenVINO^™ 工具組的 SDK，使用便利，可讓工程師將深度學習模型最佳化，並且部署至第 12 代 Intel Core 處理器這類目標。

行動服務機器人：出廠即可走進家庭上工

從各方面來說，MIO-4370 這類平台不僅僅是智慧型機器人控制器。它們是先進行動服務機器人的基石，效能更高、功率更低、開發速度更快，而且比以往更符合成本效益。

簡而言之，這些整合式解決方案是為大量生產擴充先進行動服務機器人的先驅。這樣一來，擁有專屬蘿西的未來就不僅是少數人的特權。

拜高度整合式開發環境之賜，那個未來比您想像得還近。

本文由 insight.tech 編輯副總監 Georganne Benesch 編輯。