Insight Tech

回想您之前在 ATM 領錢、利用信貸或存款。我們大多認為這些基本金融服務很正常，但全球數百萬農村居民沒有銀行帳戶，抑或即使有帳戶，仍無法便利享用銀行分行的服務。

「在偏遠地區開設新分行，不符合銀行的成本效益。」智慧自助服務機和數位看板專家、Bits & Bytes 總經理 Amit Jain 說，「因為農村地區的銀行常面臨停電、網路中斷等基礎設施問題。」

如果民眾無法利用銀行，可不只是不方便。事關公民無法參與整體經濟的公平問題。但新型態的邊緣解決方案以出人意表的方式解決這個問題：拉近銀行分行與民眾。

多虧邊緣運算硬體與電信網路支援，Bits & Bytes 開發「行動銀行」已改善印度偏遠社區的金融服務，並準備投入全球其他市場。

農村銀行分行實際案例

Bits & Bytes 印度行動分行部署，是解決方案實用的典範。馬哈拉斯特拉州是印度人口最多、工業發達的地區，但農村地區的人口占比就超過 50%，所以很多公民無法享有都市應有的服務。

Bits & Bytes 與大型國家銀行合作開發解決方案，實現傳統分行的眾多功能，而且可以視需要移動據點。

系統的核心是數位服務機，可執行堅固、邊緣適用的運算硬體，並內建攝影機、生物識別驗證指紋掃描器，及使用者互動用的觸控板。安裝在貨車的服務機可以前往各個農村地區，並隨時停靠。

系統採用兩種方式與銀行連線。數據卡透過標準蜂巢式網路，提供系統與銀行的集中式伺服器通訊，而銀行員工可以隨行，協助新客戶瞭解如何使用這項技術並回答問題。

行動服務機協助客戶開戶、取得金融卡，或進行提領現金、存款、申請貸款、支付帳單、轉帳等交易。

部署後，客戶對行動銀行讚不絕口。「客戶之前得付費請專人前往附近分行代為執行交易。」Jain 說，「他們很高興能有自行完成交易的初體驗。」

確保邊緣合規性與安全性

金融系統需嚴守各國不同的安全性與合規性規範。靈活設計與邊緣功能有助於克服這些難題，並實現在不同市場部署解決方案。

例如，Bits & Bytes 解決方案利用自家安全的網路連線和生物識別驗證功能，遵循印度嚴格的「瞭解客戶（know-your-customer）」法。行動銀行服務機執行基本的生物識別掃描後，與連線中央政府資料庫的銀行伺服器通訊。驗證後，服務機會預先填寫申請表，所以您只要在觸控板簽名，就能開立帳戶。

簡潔的基本設計（透過蜂巢式網路連線，邊緣 IPC 和模組化硬體與中央伺服器連線）讓系統立即化為銀行現有的網路。同時顯示邊緣不儲存個人使用者資料。資料皆保存在金融機構的網路，彰顯系統的資料隱私權和網路安全防護。

而且，行動分行可以輕易配合新地區不同的資料隱私權和法規。鑑於金融機構已符合國家/地區的規範，服務機軟體不必大幅量身修改。

Bits & Bytes 與 Intel 技術合作對解決方案的影響甚鉅。「Intel 硬體提供絕佳的邊緣運算平台。」Jain 說，「在產品開發方面，Intel 也是關鍵角色，協助我們調整現成的 Intel 技術推出新產品。」

邊緣運算推動數位轉型

解決農村銀行不足、增加客戶數量的能力可能吸引銀行數位部門和金融業整合商（SI）關注。

邊緣運算的興起不只支援如 Bits & Bytes 行動銀行服務機的系統，也可能解決多個產業的難題。我們可以想見未來幾年會看到更多邊緣部署的創新解決方案，舉凡農業自主移動機器人或 5G 專網。

行動銀行是目前數位轉型浪潮的典範，而 AI 會在近幾年開創更多機會。

「我們活在各領域技術快速進展世代，所以作為公司，我們要提供各種垂直產品。」Jain 說，「五年後，AI 和物聯網會普及，眾人和組織都能享受數位轉型帶來的好處。」

 

本文編輯 insight.tech 編輯總監 Georganne Benesch。

技術創新十分神奇，現在更是日新月異。（但更新不至於快到我們不再提起：「如果當初有這個工具，我可以省下多少時間和精力啊！）這話套在 AI 和電腦視覺尤其適用，兩者改變各行各業的營運方式，而且對眾多企業而言堪稱是至寶。而在完整的 AI/電腦視覺版圖中，影像分割是關鍵的一環。

Intel 的 AI 技術傳教士 Paula Ramos 與我們共同探討這個瞬息萬變的主題。她提到影像分割過去、現在和未來的解決方案、深入討論 Meta AI 最近推出的 Segment Anything 模型（SAM）（影片 1），並說明 Intel OpenVINO^™ 工具組提供的資源可讓 SAM 的效能更佳。

影片 1。Intel 的 AI 技術傳教士 Paula Ramos 論述支援日後影像分割的近期進展。（資料來源：insight.tech）

影像分割對電腦視覺的影響是什麼？

電腦視覺工作分為很多類型，我想其中就屬影像分割最為重要。影像分割在物件偵測、辨識、分析發揮決定性的作用。或許我們該問：影像分割為什麼如此重要？答案很簡單：影像分割可區分背景與個別物件，或個別物件與其他物件。我們可以透過影像分割定位重要資訊、建立特定物件的計量指標、擷取一些功能，協助瞭解特定情境……這些對電腦視覺再重要不過。

過去組建影像分割解決方案時，開發者會面臨哪些挑戰？

我的博士論文研究農業的影像分割，並面臨許多挑戰，因為分割物件的技術有很多（閾值、邊緣偵測、區域增長），但沒有一體適用的方法。您甚至必須根據使用的技術，仔細定義最佳方法。

我的研究是偵測咖啡豆，可是咖啡豆都大同小異，十分相像！或許紅色底色也是問題，導致執行影像分割演算時出現過度分割（合併物件），再不然就是分割不足，部分果實消失不見。

涉及影像分割時，環境的光線持續變化，各種攝影機解析度不同，資料更難獲取，是一大挑戰。而且攝影機原則會移動，導致影像模糊，或出現雜訊。偵測邊界也是難題。除此之外，傳統影像分割還面臨縮放和效率的挑戰。運算成本會因為影像解析度或資料集的大小攀升，所以即時應用可能受限於此。

大多時候，這些傳統方法需要人為干預才能使用。如果當初有最新影像分割技術，我可以省下很多時間。

Meta AI 的 Segment Anything 模型（SAM）為什麼重要？

我巴不得七年前就有 Segment Anything 模型！簡單來說，SAM 提升處理複雜資料集的效能。所以雜訊、模糊影像、低對比度等對 SAM 來說不再是問題。

SAM 的另一項優點是多功能和提示控制。不同於傳統方法（各種情境需要特定技術），SAM 的多功能方便使用者使用提示指定所需分割。而提示可以是點、方塊，甚至自然語言描述。

我很希望之前可以下令「我只要查看成熟的咖啡豆」或「我只要查看未成熟的咖啡豆」，並享有現有影像分割的靈活性。這種靈活性讓開發者可以處理各種分割工作。我之前也提到縮放和效率：SAM 處理資訊的速度比傳統方法快。所以這類即時應用更經濟永續，準確度也提升。

不消說，影像分析仍有一些限制需要人為權衡，但我們當然也會提升處理這些難題的效能。

Segment Anything 模型的商機是什麼？

目前所知，Segment Anything 模型在各種影像分割處理潛藏多種商機。例如，簡單建立內容或編輯內容、自動操作電子郵件，或建立即時特效。另外，SAM 的即時物件偵測也對擴增實境或虛擬實境領域有重大影響，互動體驗的虛擬元件因而得以實現。

抑或零售業可用於產品區分。SAM 會自動分割網路商店的產品影像，實現更有效的產品銷售。另一個可能的領域是，根據特定物件特色分類。不僅如此，我判斷影像分割可用於機器人和自動化，協助各種工作更精確地辨識、操作物件。自動駕駛就更不用說了。SAM 還能輔助醫療專業人員區分腫瘤或診斷更準確──儘管這類運用仍有很多疑慮。

我不會直說 SAM 可以解決這些業務，因為這些只是可能的運用。SAM 仍在開發、不斷改善。

開發者如何透過 OpenVINO^™ 解除 SAM 的限制？

目前的 AI 趨勢帶來的優點是大量的開源模型。換句話說，SAM 可以享有開源模型的功能。OpenVINO 也是開放原始碼，所以很方便開發者使用這個工具組。我們每天在 OpenVINO 筆記本存放庫輸入多種 AI 趨勢（即 AI 領域的新知），並每隔兩三天上傳筆記本至存放庫。然後，我們有好消息要給開發者：OpenVINO 存放庫的 SAM 管道已最佳化。

目前存放庫有四部筆記本。第一部筆記本是我們一再提到的 Segment Anything 模型，也是最常見的。您可以直接使用 OpenVINO 編譯模型，或使用神經網路壓縮架構（NNCF）最佳化模型。

第二部是 Fast Segment Anything 模型。原始 SAM 是重型轉換器模型，所以需要大量運算資源。我們無疑可透過量化解決這項問題，但 FastSAM 使用 YOLOv8 分解 Segment Anything 工作為兩個連續階段。

另外是輕型 SAM 模型 EfficientSAM，大幅降低複雜度後突顯 SAM 的效能。最後一個資源是 OpenVINO 存放庫最近發布的「GroundedSAM」，即 GroundingDINO 與 Sam。概念是尋找周框方塊，同時分割周框方塊中的影像。

最棒的是，執行這些筆記本不需使用特定機器，筆記型電腦就可執行，並透過現有的模型一睹影像分割的潛力。

OpenVINO 會如何隨 SAM 和 AI 持續發展？

我想組建深度學習應用程式時，OpenVINO 是降低難度的絕佳工具。如果您已具備 AI 專業知識，不妨再深入瞭解 AI 趨勢，順便瞭解 OpenVINO 如何簡化日常工作。但如果您是開發新手，或非 AI 專業的開發者，OpenVINO 是最適當的起點，因為您可以查看我們提供的範例，及參考 Jupyter Notebook 每個儲存格。

我們保證繼續建立更多範例，及更多 OpenVINO 筆記本。我們優秀的工程師團隊會致力於更新，並努力建立實用的範例：日常可用的概念證明。

另外，AI 電腦去年 12 月上市。我想您不妨趁此機會瞭解 Intel 持續增強的功能，因為我們提升他們使用的硬體，開發者不必購買特定硬體執行最新的 AI 趨勢。您可以在筆記型電腦執行模型，也可以提升效能。

我幾年前是開發初學者，所以我認為當前一定要瞭解 AI 的運作方式、產業差距，棋先一著、改善並嘗試創新。

再者，我認為使用者要理解我們持續探索您的需求：您希望實現什麼？我們開放協作，所以敬請檢視 OpenVINO 筆記本存放庫，查看您可以如何貢獻一己之力。

相關內容

若要進一步瞭解影像分割，請收聽 Segment Anything 提升影像分割能力，並閲讀多功能的 Segment Anything 模型，及 OpenVINO 加速。若要瞭解 Intel 的最新創新技術，請關注 X 的 @Intel 和 LinkedIn。

 

本文由 Erin Noble 編審。

有一段時間，5G 主要是消費者的必備品。畢竟，支援 5G 的智慧型手機可以實現更快的串流速度，並提升整體效能，這是幾乎人人求之不得的。隨著感應器驅動的資料分析興起，5G 的吸引力蔓延至企業與公共部門。每部裝置都是邊緣節點傳輸資料時，以低延遲可靠地存取衍生資訊成為 B2B 部門的首要任務。

彈性高效能運算解決方案的供應商 Trenton Systems 行銷副總裁 Yazz Krdzalic 表示，鑑於可靠且始終可用的資料至關重要，愈來愈多的公共部門和私營企業透過 5G 專用網路確保其業務流程。

從 4G 提升至 5G 就是「增加三個泳道：超可靠、低延遲的資料傳輸；安全性的控制與管理；以及同時容納成千上萬個互聯裝置的通訊能力。現在您可以利用單一技術處理最大的痛點，」Krdzalic 表示。

5G 專用網路提升資料安全性

儘管 5G 有許多優勢，但有一個弱點：取決於公共基礎架構。

發生自然災害時，包括手機訊號塔在內的所有通訊基礎架構可能會癱瘓。當急救人員需要安全傳輸立即的地面資訊時，衞星通訊是一個不穩定的備份。在這些情況下，更明智的做法是仰賴 5G 專用網路。

「由您架設自己的天線、無線電裝置，然後就可以開始運行了。您也能以中斷連線的模式工作，這表示不會受限於母艦，」Krdzalic 表示。群組可以相互共享資訊，當進入運作的手機訊號塔或衛星通訊的範圍內時，可以轉送資料。

5G 專用網路將公共部門和私營企業從公用雲端轉移至專用的安全網路。「您可以利用 5G 的附加價值，增添到自己的專屬圈子裡，」Krdzalic 表示。

網路外洩的可能性會隨著資料傳輸節點數量的增加而增加，因此應用更多安全政策的能力，使得 5G 專用網路對現今的企業營運而言成了格外吸引人的主張。「專屬圈子」強化安全性，這是公共和私營部門的關鍵要素。

5G 專用網路解決方案

Trenton Systems 瞭解希望部署專用 5G 的組織可能想避免將自行組裝元件，於是開發了專用 5G 的整合式邊緣解決方案（IES.5G）。「盒裝網路」將所有元件（堅固耐用的硬體、增強的處理器、軟體和安全性）合而為一。「我們沒有投注一百萬個移動零件，而是花大量時間與合作夥伴一起研究如何為專用 5G 部署開發一個簡單的按鈕，」Krdzalic 表示。

Intel、ZScaler，以及 RAN 和 5G Core 軟體廠商都是為產品帶來優勢的夥伴。Trenton Systems 提供專在極端條件下運作的邊緣運算平台或堅固耐用的伺服器。ZScaler 提供零信任雲端型網路安全平台，同時各種 RAN 和5G Core 廠商的軟體也推動單位的連線能力。

基礎架構（從 CPU 到加速器，乃至於系統上的配接器）是由 Intel 提供及支援。該產品可以在 Intel^® Xeon^® 可擴充處理器上執行。使用第 3 代 Intel^® Xeon^® 可擴充處理器的組織可以取得適用於高容量 4G 和 5G vRAN 部署的 Intel^® vRAN 加速器 ACC100 配接器，或是取得 Intel^® Quick Assist Technology（Intel^® QAT）配接器。該系統包含 Intel^® FlexRAN，可控制基礎 RAN 架構，是「RAN和核心所仰賴的品質基礎，」Krdzalic 表示。「主機板本身可能配備乙太網路介面卡或 Intel E810 NIC 卡，這是我們要納入這項解決方案的另一件事，以便更輕鬆地在實驗室和現場部署環境中測試 IES.5G，」他補充道。

運算效率與專用 5G 使用案例

Krdzalic 表示，可擴充性以及根據需求劃分和分割頻寬的能力，是 IES.5G 的額外優勢。IT 可以上下擴展箱內伺服器單元，並在需要時擴大運算能力。

IES.5G 解決方案也能支援虛擬網路功能（VNF）和雲端網路功能（CNF），以使用軟體提供網路服務的方式，而非完全仰賴硬體。這些功能讓 IT 可以根據需求劃分網路頻寬並分配。「您可以清楚闡明想如何利用全頻寬；不必假設它只是一個開關，」Krdzalic 表示。例如，急救人員可以隨時存取最佳可用頻寬。因為並非所有人都需要最大容量，基礎架構也不會總是都以最大限度運作，而是只消耗絕對必要的能源。

除公共部門外，5G 專用網路的使用案例遍及製造業和醫療保健領域。未來的重點在於無所不在的持續連線能力，而它始於專用 5G。

畢竟，正如 Krdzalic 所說：「專用 5G 像是在說：『我有自己的資料中心、我有自己的 ISP、我有自己的設備和所需的一切，以確保團隊和我在需要的時候擁有連線能力和運算能力。」

 

本文由 insight.tech 編輯總監妮．貝內施（Georganne Benesch）編輯。

製造商承受高度壓力，得要充分利用所有可用的智慧功能，像是機器視覺還有 AI 驅動的視訊分析。這些功能可以成為關鍵性的工具，從瑕疵偵測到保障員工安全都能發揮作用。但很少製造商擁有 AI 領域的專業知識，同時他們需要應對許多挑戰和工作，更不用說要對一項龐大的技術投資做好未來規劃。這些全新技術必須兼具適應性還有互通性。

能跟深入探討這些需求的兩位專家分別是工業機器視訊供應商 Eigen Innovations 的營收長 Jonathan Weiss，以及 AI 視訊分析公司 AllGoVision 的銷售兼行銷長 Ali Anirudhan。兩人談到了實現工業 4.0 的挑戰、製造商怎麼善用資料驅動的廠房，以及 AI 如何持續改造廠房（影片 1）。

影片 1 。AllGoVision 與 Eigen Innovations 的產業專家探討 AI 在製造業中的革命性影響。（資料來源：insight.tech）

機器視覺和 AI 如何應對工作 4.0 的挑戰？

Jonathan Weiss：我們所做的就是把機器視覺應用在品質檢測上，工業製造領域是我們的重點。傳統的視覺系統非常適合在生產現場偵測問題，通常會告訴你產品是好是壞。但是要怎麼幫助製造商預防瑕疵，而不是只有讓他們知道已經製造出有瑕疵的產品？

這就是我們的軟體特別的地方。我們不只利用視覺系統、攝影機還有不同類型的感應器，還直接跟處理資料，包括歷史資料、OPC UA 伺服器連接，甚至直接連線到網路控制級的 PLC 。我們提供製造零件實際使用的變數和計量指標的深入解析，製程中的出現的問題，還有導致瑕疵發生的變化。我們的方式大量採用 AI 跟 ML 技術。

在目前的工業環境裡面，視訊分析如何應對員工的風險？

Ali Anirudhan：這個產業的重點是怎麼提升自動化水準，增加更多的機器應用。但是人員的角色不會從廠房消失，基本上這表示人和機器之間的互動會越來越多。

根據聯合國的資料，全球企業每年在職業災害和損失上的支出高達 26,800 億美元。這項成本對每個製造商來說都是關鍵問題。過去他們會研究不同的事故案例來制定政策，確保不會再發生類似的事故。

但這種傳統的作法不足以降低成本。事故發生的原因可能有很多種，意外的情況也可能造成潛在的事故。所以你得要建立一個即時的機制，確保事故一開始就不會發生。

也就是說如果廠房員工沒有戴上應該要戴的安全帽，即使事故還沒有發生，系統就會馬上辨別出來，讓現場主管馬上處理。簡單來說：減少事故就是降低保險成本，進而提升公司的收入/ 利潤。

工業製造的領域涉及到人員的行為模式，以及他們和機器或車輛之間的互動方式。不同客戶對員工安全的需求也不一樣：石油和天然氣跟製藥公司的設備、防護裝備還有安全計畫的需求都不同。

例如，我們曾經跟一家印度的公司合作，他們生產線的熱金屬有時候會出現溢漏的情況。不管是從人員還是工廠的安全角度來看，這都非常危險。這間公司希望持續監控，發生任何情況即時報告。 

製造商準備好迎接資料驅動的工廠了嗎？

Jonathan Weiss：製造商一般來說都認識到數位化、自動化的必要性。我的確覺得在大規模計畫的方面還需要更多教育，包括從何開始、如何確保計畫的效率和成果，還有怎麼擴展到工廠之外。

在我的領域裡面，協助工業克服攝影機系統被孤立還有沒辦法跟其他企業溝通的挑戰非常重要。同時也要解決不能在生產線、工廠甚至只是在機器之間擴展 AI 模型的問題。這就是傳統攝影機不足的點。Eigen 已經跨越了這道障礙。

但我跟 Aij 解決的只是冰山一角，整個問題的關鍵就在資料上。透過為所有生產資料建立單一的可信來源，我們推動可採取行動的深入解析和自動化。簡單來說，就是把所有資料存放在同一個位置，包括品質資料、製成資料、安全資料、現場服務類型資料、客戶資料、保固資訊等等。然後開始跟各種企業級應用程式建立雙向連線，這樣 ERP 和品質就可以相互了解關注的部分。

這就是有單一的可信來源還有正確的策略和架構，把各種類型的軟體實施到整個工業企業的單一可信來源裡面。

製造商如何把機器視覺應用到工廠作業？

Jonathan Weiss：首先要瞭解想解決的問題。哪種瑕疵有最大的影響，而且最常出現，是你最希望能夠降低的？

在焊接領域，這種瑕疵通常是肉眼看不到的，所以視覺系統變得非常重要。譬如複雜的組裝過程會需要紅外線攝影機，因為肉眼很難看到零件的整個幾何形狀，來辨別是不是有瑕疵，或者要找出瑕疵會非常有挑戰性。

重點在於找到具有最大價值的使用案例，然後根據這個案例來制定計畫。接下來就是選擇技術。我都鼓勵製造商選擇兼具適應性和擴充性的技術，因為情況順利的話，工廠可能還會部署更多視覺系統。

Ali Anirudhan：現在大多數工廠為了符合法規和其他需求都有安裝 CCTV 攝影機，AllGoVision 的需求可以跟這些現有設備的輸入/輸出輕鬆匹配。也許攝影機的位置要改變，或是照明條件要調整。又或者是特定的情況需要不同的攝影機，譬如說熱攝影機。但在 80％ 的情況下，我們可以重複採用現有的基礎架構，直接使用原先的視訊摘要。

跟像 Intel 這樣的夥伴合作有什麼重要性？

Aji Anirubhan：我們是首批採用 Intel 開放式架構的視訊分析供應商之一。從早期版本到 Gen4 和 Gen5，我們持續採用 Intel 處理器，效能有很明顯的提升。Intel 提供的平台和適合執行深度學習模型的技術對我們非常有幫助。

我們很期待像是整合式 GPU 或全新的 Arc^™ GPU 這樣執行深度學習運算法的增強功能，迫不及待利用它們來提升執行運算的效率。在我們目前的策略和未來發展中，Intel 扮演著關鍵的合作夥伴角色。

隨著 AI 領域持續發展，還有哪些機會在等著我們？

Jonathan Weiss：Eigen 進行各種類型的檢測。其中一個例子是檢測在紙上塗上特殊塗層的機器。機器的一部分會在紙張通過的時候分級，只有八秒的時間來偵測機器上堆積兩點五毫米的塗層，不然會造成大約 150,000 美元的損失。這種情況一年可能發生很多次。甚至在一次輪班就發生很多次。

未來我們只有八秒的時間來偵測這種堆積，然後自動執行一個動作來防止設備故障。目前大概一秒鐘可以完成這個動作，但想像一下，未來只需要要三分之二或半秒的時間。

我想技術會變得越來越強大，使用的方式也會越來越多元。我有觀察到很多這類複雜工具的普及化。Eigen 從頭開始打造我們的軟體，目的是讓任何生產線的人員，不論經驗多寡，都能夠建立一個視覺系統。這對我們和客戶來說都非常重要。

雖然我們的領域非常注重產品的品質，但也同意 Aji 在前面提到的觀點，人員的角色不會消失。我覺得這反映了對 AI 普遍的誤解，認為會被 AI 取代，工作會被 AI 搶走。我們在產品品質上看到的情況剛好相反：我們把視覺系統和軟體引進工廠，提升他們檢測零件的速度。隨著工廠的生產量增加，公司有能力雇用更多人員來進一步增加零件生產。

很多客戶都說，視覺檢測是他們工廠流動率最高的職位。這份工作做起來可能不太舒服，員工需要連續站 12 個小時，眼睛盯著通過的零件，頭還要一直轉來轉去。這也是為什麼過去這種需求像是補充的維他命，而不是必要的止痛藥，但現在對企業來說，這些技術已經不再只是維他命了。我們在協助組織緩解難題，這不只是一種額外的增值。

Ali Anirudhan：值得注意的是所有生成式 AI 的存在，還有我們怎麼利用這些技術。大型視覺模型基本上是在解釋複雜的視覺或情境。我舉個例子：有一個環境允許車輛進入，但是人不可以。客戶說：「好，員工推著手推車的話，也可以走這條路線。」但要怎麼定義一個人有沒有手推車？

所以我們在研究像是 LVM 這樣全新的技術增強功能，來推出新的使用案例。在未來幾年，生成式 AI 技術會在應對工廠中的這些使用案例發揮更大的作用。但我們還有很大的進步空間。我們對技術還有正在實施的計畫非常期待。也迫不及待跟全球各地的不同客戶合作，打造更龐大的商業版圖。

相關內容

若要進一步瞭解 AI 驅動製造，請收聽 AI 驅動製造：打造資料導向工廠，以及閱讀機器視覺解決方案：偵測與預防瑕疵。想要掌握 AllGoVision 和 Eigen Innovations 的最近創新技術，歡迎在 Twitter/X 上關注 @AllGoVision 和 @EigenInnovation，以及在 LinkedIn 追蹤 AllGoVision 和 Eigen Innovations Inc.。

本文由 Erin Noble 編審 。

工作場所安全是各行各業都會面臨的實際問題。根據近期報告指出，每年有多達 3.74 億人在工作場所發生意外並因此受影響。這是一個可怕的數字，但幸運的是，企業可以採取行動降低風險。

例如，許多公司已經配備監控攝影機（CCTV）系統，維護日常安全與協助資產管理。這些裝置同樣可以應用在其他用途，例如識別潛在危險，協助減少職業災害的受害人數。

在意外發生次數較少的情況下可以實作這類視訊分析技術，但若意外頻繁重複發生，則代表情況可能更複雜、更令人擔憂。若頻繁發生不幸事件，則會對員工的健康與安全方面帶來重大損害，然而，公司可以透過分析監視器的拍攝畫面並做出行動來藉此預防憾事發生。

重資產行業領域中的安全分析

視訊分析軟體解決方案供應商 AllGoVision 從 CCTV 起家，主要業務為安全和資產管理等，但很快意識到這項技術具有超越安全管理的潛力。AllGoVision 銷售兼行銷長 Aji Anirudhan 表示， 他非常清楚 AllGoVision 無疑能在各類型產業中維護員工的健康。

製造業、能源與公用事業等重資產行業特別受益於視訊分析技術，並從以改善員工的工作條件。基本上在這類行業中，會犧牲員工安全的情況有兩種：第一種，當現場狀況迅速變化時。例如當熱金屬處理不當，或當員工暴露於石油與天然氣外洩產生的有毒氣體中，而造成燒傷等事故。此外，員工若無嚴格遵循安全協議，將會損害自身的健康。例如，在高風險工作環境若沒有佩戴合適的個人防護設備（PPE），可能會提高受傷的風險。

Anirudhan 說明：傳統上，員工安全的保護措施較被動消極。由員工健康安全團隊來對各種可能存在的有害情境進行風險評估，並相應開發訓練計畫。他說：「每當事件發生時，團隊會進行調查，並依狀況更新政策，儘量減少這些事故。」雖然全公司的政策能有效降低工作場所的傷病人數，但這類問題仍十分嚴重。這也是為什麼「只要是能提供深入見解，讓我們了解不安全行為模式的任何解決方案，都有助於預防事故」，Anirudhan 補充說明。

AllGoVision 的目標是成為這樣的解決方案。特別是從事石油與天然氣相關工作的能源與公用事業公司，因不遵守規定而導致安全問題的情況比比皆是。Anirudhan 表示，無論是油田上的鑽井設備，或是燃料的運輸與儲存，日常工作中的每一步都極有可能導致錯誤與意外發生。

運用 AI 維護工作場所安全的機制

為了避免犧牲員工安全，AllGoVision 利用 AI 即時分析現場情況。CCTV 系統串流影片資料，並由 AI 安全分析軟體進行評估。系統能即時拍攝違規或問題區域的影像，並提醒現場主管主動處理異狀。提供儀表板，幫助主管隨時了解人員遵守安全協議的情況，並按照改善計畫監測進度。Anirudhan 表示，員工也希望成為解決方案的一環，這種分析方式可以促進人員就工作場所的各項資訊進行討論，能改善主管一人獨大的專制做法。

AllGoVision 特別注重資料隱私通訊協定，系統中僅保留元資料，不儲存個別員工的畫面。公司也致力於維護模型公平性，並聘請多名顧問，以確實遵守國際資料隱私法規。

經驗豐富的安全分析供應商

AllGoVision 在此領域中表現突出，因為其可以利用視訊分析方面的豐富經驗，來評估特定用戶端的情況，並推薦可實現理想成果的全方位解決方案。該軟體採隨插即用的模式，代表可以與現有基礎架構整合，可增加資料層級取得更多資訊。公司與系統整合商合作，將解決方案整合至大型視訊管理套件中提供給用戶端。

在多種產業中執行工作場所安全協議的經驗十分重要。「AI 日益普及化，幾乎任何人都可以存取開放原始碼提供的演算法，並取得視訊分析技術。Anirudhan 表示：「但要將 AI 推斷應用至攝影機不同、照明條件不同、用戶端期望也不同的各種生產環境中，是最具挑戰性的一環。」「這就是我們的實力所在，能夠實際處理不同垂直領域的安全與員工生產力問題，尤其在石油和天然氣、公用事業和製造產業中，更能展現出我們的先進技術。」

Anirudhan 表示，多年來，AllGoVision 伴隨不同世代的 Intel^® 平台不斷成長發展。該公司也是 OpenVINO^™ 的早期採用者之一，並使用 Intel^® Xeon^® 處理器。Anirudhan 表示：「執行演算法的成本大幅降低，因此能為客戶節省成本。我們認為這是與 Intel 合作的一大優勢。」

運用 AI 維護工作場所安全的相關變革

Anirudhan 十分期待能看見 AllGoVision AI 提升工作場所安全的使用案例，包括針對建築與基礎架構偵測火災和煙霧或進行人群控管。將 AI 應用於工作場所安全仍是新興技術，有機會讓 AI 解決方案創造龐大商機，並帶來顯著影響。

我們不再需要重複、周而復始地實作政策。Anirudhan 表示：「客戶可以明顯意識到採用即時主動策略的價值所在。」未來可能可以監控更多參數，包括員工疲勞指數等。他補充：「未來工作場所中會有更多可穿戴設備、感應器、物聯網裝置，這些都會成為機器與人員管理的不同使用案例。」

此外，Anirudhan 認為生成式 AI 在解決更複雜的使用案例方面的潛力無窮，尤其是涉及人機互動的案例。

AllGoVision 正致力於發展相關技術，能處理棘手的工作場所安全統計資料。Anirudhan 表示：「如果真的能讓 AI 解決我們的一部分難題，我們就能對全社會帶來極大影響。」

 

本文由 insight.tech 編輯總監 Christina Cardoza 編輯。

人工智慧是許多不同技術的總稱。我們常聽到的包括生成式 AI ，尤其是 ChatGPT。ChatGPT 獲得新聞媒體的熱烈報導，但生成式 AI 的播放清單中可不只這首歌。Intel 的 AI 軟體架構師暨生成式 AI 宣傳員 Ria Cheruvu 最近就對音訊空間的生成式 AI 興奮不已（影片 1）。

影片 1。Intel 的生成式 AI 宣傳員 Ria Cheruvu 探索音訊型生成式 AI 的業務與開發商機。（資料來源：insight.tech）
但任何生成式 AI 都可能讓人生畏，而且開發者並不一定知道要從何著手，或者一旦開始，該如何最佳化模型。與 Intel 合作可以真正簡化流程。例如，新手開發者可以利用 Intel^® OpenVINO^™ 筆記型電腦，藉由教學課程和範例代碼來協助他們著手使用 GenAI 。然後，當他們準備進入下一階段或準備擴展時，Intel 也會伴隨左右。

Ria Cheruvu 與我們討論 OpenVINO 筆記型電腦儲存庫，和生成式 AI 用於音訊的實際應用，以及它適用於呼叫中心和實際用於音樂家之間的差異。

生成式 AI 有什麼不同的領域？

就生成式 AI 的類型而言，這個領域肯定正在發展。ChatGPT 不是唯一的例子！文字生成是生成式 AI 非常重要的一種形式，但當然也有影像生成，例如使用 Stable Diffusion 這種模型產生藝術和原型以及不同類型的影像。還有音訊領域，可讓您著手製作音樂，或為合成頭像製作音訊，以及其他許多類型的使用案例。

在音訊領域，快速執行階段尤為重要，這也是常見的痛點之一。您希望模型非常強大，能夠快速產生高品質的輸出，這需要大量的運算資源。所以我想說，最佳化生成式 AI 模型的技術堆疊絕對至關重要，這也是我在 Intel 日常職務中鑽研的一環。

適用於音訊的生成式 AI 有什麼具體商機？

使用語音 AI 或對話式 AI 讀取及處理音訊，光是用想的就很有意思，這是您使用語音代理程式（就像手機上的語音助理）所做的事。將它和用於音訊的生成式 AI 比較：您實際創作內容，例如能夠產生合成頭像或聲音，以便撥打電話和交談。您第一個想到的業務應用肯定是話務中心，或 Metaverse 應用程式，其中存在使用此建立之音訊的模擬環境。

但創作領域的內容創作也存在一些非傳統的業務使用案例，也是我們開始看到一些與音樂生成式 AI 相關應用的地方。對我來說，這相當令人興奮。Intel 開始研究生成式 AI 如何搭配藝術家的工作流程：例如建立構圖，以及使用生成式 AI 採樣節拍。音樂家與音樂製作人如何利用生成式 AI 作為內容創作工作流程的一環，其中也包含很有意思的文化元素。

因此，雖然它不是傳統的業務使用案例（如您在話務中心或使用音訊零售服務的互動式服務亭中看到的那樣），但我確信用於音樂的生成式 AI 在內容創作方面有一些亮眼的應用。最終，它也可能進入其他需要產生音訊片段的領域，例如為 AI 系統訓練建立合成資料。

適用於音訊的生成式 AI 的開發流程是什麼？

生成式 AI 領域目前採用幾種不同的方法。其中之一肯定是調整既有的模型架構，用於其他類型的生成式 AI 模型。例如，Riffusion 基於影像生成模型 Stable Diffusion 的架構；只產生波形，而非影像。

我最近和正在音樂領域研究的人聊過，其中一個話題是您可以提供這些音訊領域模型各式各樣的輸入資料。可以是音符（或許是鋼琴曲目的一個片段），也可以是專門用於 MIDI 格式等使用案例的波形或特定輸入類型。輸入資料包羅萬象。

訓練和部署這些模型需要哪些技術？

我們一直在研究許多有趣的生成式 AI 工作負載，作為 Intel OpenVINO 工具組和 OpenVINO Notebooks 儲藏庫的一環。我們整合了許多音訊生成的關鍵範例，作為非常實用的使用案例，來提示及測試生成式 AI 功能。我們與 Intel 的其他團隊合作無間，使用 Riffusion 模型建立 Taylor Swift 類型的流行節奏，乃至於更進階的模型，可以產生與某人說話相符的音訊。

我透過 OpenVINO 見證了一件事，那就是能將這些模型全都最佳化，特別是在記憶體和模型大小方面，也能在邊緣、雲端和用戶端之間實現靈活性。

OpenVINO 真正針對的是最佳化部分。有一個基本概念，即生成式 AI 模型在大小和記憶體佔用空間很大；這些模型的基礎（包括音訊、影像或文字生成），其中的某些元素非常龐大。透過使用壓縮和量化相關技術將模型佔用空間減半，我們能夠大幅減少模型大小，同時確保維持類似效能。

這全都是由一個非常有趣的局部開發概念所啟發。音樂創作者或音訊創作者在創作內容時希望借助電腦，以及能夠在雲端工作，進行密集的任務，例如音訊資料的收集、錄製、註釋，以及與不同的專家合作建立資料集。然後他們可以在電腦上執行其他工作負載，說：「好吧，這就在系統本機產生一些有趣的流行節奏，然後在房裡進行原型設計。」

開發者馬上開始使用生成式 AI 有哪些範例？

我最喜歡討論的一個例子，就是您準確地採用我們在 Notebooks 儲存庫中展示的這些 OpenVINO 教學課程和工作負載，然後將其變為現實。Intel 與 Audacity 合作，這是一款本質上實現開放原始碼音訊相關編輯創作的工具。這是名副其實的一站式、類似於 Photoshop 的音訊編輯工具。我們做的其中一項工作，就是透過自家的外掛程式整合 OpenVINO 。我們的工程團隊從 Python 擷取 OpenVINO Notebooks 儲存庫的程式碼，將其轉換為 C++，然後部署為 Audacity 的一環。

它能達成我前面提到的更多效能和記憶體改善，但同時也直接整合至許多編輯和播放音訊的許多不同人使用的相同工作流程。您只需醒目提示一段音訊，說聲「產生」，其餘的就交給 OpenVINO 產生。

這是工作流程整合的一個例子，可用於藝術家工作流程；或用於電影產業的語音製作合成音訊；或用於零售產業的互動式服務亭；或用於醫療保健領域的病患與開業醫生對話。緊密整合至工作流程，是 Intel 非常期待推動和協助合作的下一步。

生成式 AI（尤其是適用於音訊的生成式 AI）還有什麼前景？

論及適用於音訊的生成式 AI，我想對於這個領域的任何特定時刻來說，都可能「轉瞬即逝」。光是見證增添多少工作負載就夠令人驚豔了。但只要放眼不久後的未來（可能是年底或明年），我可以看到一些突然出現的發展，絕對會圍繞我前面提到的那些工作流程進行，並確定您確切想要執行的地方，是本機系統，還是雲端，或是混合兩者？這絕對是我真正感興趣的地方。

我們正在使用 Intel^® Core^™ Ultra 和類似平台，在 AI 電腦上嘗試一些音訊生成的方法，您坐在房裡與一群音樂家同行一起設計原型並隨意玩耍，理想情況下，您不必為此存取雲端。反之，您可在本機執行，將其匯出至雲端，然後來回移動工作負載。關鍵在於，要問我們如何將利益相關者納入流程，如何準確建立並實例化生成式 AI 解決方案，然後隨著時間進行維護？

最後還要向大家推廣關於生成式 AI 的什麼？

生成式 AI 目前算是很引人注目的領域，但幾乎所有人都認為，只要具備前瞻性的策略，就能從中汲取價值。Intel 產業的價值支柱，就是實際上握住開發者的手，向他們展示利用這項技術可以做什麼，並在每一步協助他們實現想要的目標。

適用於音訊的生成式 AI（通用生成式 AI）進展如此迅速。因此，請密切關注工作負載、評估、測試和原型設計；在我們邁向音訊生成、合成生成和其他這些令人興奮的領域的新時代，它們絕對是關鍵。

相關內容

若要進一步瞭解生成式 AI，請閱讀生成式 AI 解決方案：從炒作到現實，並聆聽生成式 AI 為音訊創作帶來新機遇。若要瞭解 Intel 的最新創新技術，請在 X 的 @IntelAI 和 LinkedIn 上追蹤。

 

本文由 Erin Noble 編審。