我們想到物聯網 (IoT) 時，牲畜通常不會浮現腦海。同樣地，草莓、魚類、醫療病患或揮發性氣體外洩通常也不在我們的考量範圍。不過 AI 型電腦視覺與邊緣運算日新月異，「牛聯網」這類解決方案因而得以問世，並且催生了真正的商業效益。自動化管理讓蛋白質生產商能即時監控牲畜健康與牲畜所在位置，進而防止疾病蔓延、減輕損失，並且讓繁殖與分娩實務更臻完善。
然而，在「牛網路」或任何值得一試的機器學習專案整合人工智慧物聯網、電腦視覺 (CV) 和機器學習 (ML) 工具，可能頗有難度。
視訊管理系統一般會連接攝影機收集資料，然後 ML 工程師與資料科學家會用這些資料建立模型。另外，其他一套工具會裁剪視訊畫面、標記與訓練資料集、部署模型及監測模型的準確度。再來，必須先克服建立高品質資料集的難度。
Sixgill, LLC 這個人工智慧物聯網平台的 ML 生命週期管理供應商，降低了這項工作的難度。「物聯網開發人員真正需要的是可輕鬆部署、管理與調整的工具，不需要事前投入數個月開發的工具，」Sixgill 產品長 Elizabeth Spears 表示。至今，這類工具仍未問世。
機器學習不必如此費力
Sixgill 發現目前的 ML 工具難以在各團隊與企業中使用及實作時，他們就知道問題的主要癥結在於優質的資料。請試想清點牛的使用案例。
只要牛的樣貌與行為和用來訓練模型的影像一樣，模型應該就能順利運作。然而，如果拍攝影像的時間是夏天，那麼下雪時會怎麼樣呢？或者，如果牛向後退而非前進又會如何呢？除非可以快速重新訓練模型，教它辨識所有不同狀態下的牛隻，否則模型將開始失靈。
建立涵蓋這類例外情況的高品質資料集，過程可能單調又乏味。資料科學家或 ML 工程師的任務通常是標記影像，或者這項工作也可以外包。但是這兩種方法都成效不彰，而且所費不眥。舉例來說，相較於要他們建立即時視訊串流，並且派資料標記人員將它自動化，他們其實大可在更重要的地方發揮長才。
那麼何不直接將標記工具交給 SME？Spears 表示：「若是讓不具技術專業的 SME 輕鬆方便就能準備資料，他們就能提供清楚明瞭的範例，全面提高專案的準確度。」此外，異常偵測這類功能可讓新傳入的資料自動觸發「您是否要標記這份資料？」的提示，讓資料整理更簡單。
Sixgill 認為有可能開發精簡的工具，協助工程師、資料科學家或物聯網開發人員等各類使用者，迅速從頭打造功能完整的 ML 模型。因此，該公司建置了 Sixgill Sense 平台，整合影像型 ML 生命週期中的每個步驟。
自動物件辨識的威力
Sixgill 牲畜管理的客戶，最初是為了更準確清點牲畜而研究 AI。雖然手動流程每年損失的收益逼近 9000 萬美元之譜，但是某大雲端供應商專門為此打造的 ML 解決方案也差不多，即使上路一年後也是未見起色。
然而，Sixgill 接手這項專案時，三週內就將模型訓練到準確度達 99.7%，估計每年為客戶節省 5200 萬美元。該平台透過以下方式實現了這樣的成果：
- 監測：利用影像標記從攝影機與其他感測器裝置收集資料，並且將資料正規化，獲得高品質的訓練資料集。
- 清點：部署針對環境與情況訓練的 ML 模型，自動偵測、追蹤以及清點牲畜。
- 效能標竿評測：透過線上學習的計量指標效能標竿評測，將 ML 模型效能監測自動化。
- 分析：透過集中式儀表板，將計數與預測傳送到雲端，進一步分析與顯示。
無程式碼平台
Sense 有效取代了好幾道效率不彰的流程。例如，維護模型的準確度必須持續進行實驗，有了 Sense 則無須將資料從物聯網裝置移轉至單獨的標記工具，因為資料早已放置在需要的地方，大幅節省了時間。Spears 表示：「所有資料與模型集中管理，很快就能逐一查看。」
Sense 充分運用邊緣裝置的力量，以及 Intel® 加速的 ML 功能。另外，這個平台利用符合資料科學家、SME 與企業使用者需求的視覺 UX，讓共同合作變得易如反掌。這樣一來，以往過為複雜且耗時的工作大為簡化，輕點幾下滑鼠就能完成，模型也能快速訓練及測試。
Spears 表示：「透過這個平台，任何人都能用視訊建立無程式碼的端點對端點 ML 模型。」「這個平台對企業使用者來說夠簡單，對於 ML 工程師而言功能夠強大。」此外，Sixgill 定期舉辦活動、提供指導教學，能夠就電腦視覺與標記提供量身打造的訓練計畫，為物聯網開發人員提供成功所需的一切要素。
「牛網路」這個例子，清楚說明了以終端使用者為導向設計的工具價值何在。不過，這類例子不勝枚舉。製造、零售、生命科學等產業的企業若善用 AI、ML 與強大的邊緣運算，很有機會能提高收益並降低開支。
