這是因為電腦視覺模型用來組合產品或是尋找零件和機械瑕疵的 AI 演算法,需要大量訓練。即使有預先訓練的模型可用,但其準確度遠不足以進行部署。訓練自訂模型通常需要大量資料集、引導訓練的熟練工作人員,還有數個月的工作。
對於想要實作支援視覺解決方案的製造商而言,這是嚴重的開發瓶頸,並且阻礙了該行業的數位轉型。但有一種全新的 AI 模型訓練方式稱為「少量樣本學習」,可能是加速部署 AI 解決方案的關鍵。
少量樣本學習如何加速 AI 模型訓練
若要瞭解為何少量樣本學習是改變現狀的關鍵,建議您可瞭解電腦視覺模型通常的開發方式。
一般而言,自訂 AI 模型是以預先訓練的模型開始。我們以組裝產線環境中的使用案例為例。開發團隊可能會以通用電腦視覺模型作為開始,來進行物件識別。但該模型無法識別公司所使用的特定元件。若了使其準確度足以滿足部署需求,開發者通常會採用名為「監督式學習」的方法,來為 AI 模型提供含有註記的訓練資料,協助 AI 模型瞭解特定零件或瑕疵的外觀,並能夠區別出其他物件。
在這個過程中,我們能夠教導 AI 學習識別一般物件之間的相似度或差異度。接著,這項功能可用於將未見過的物件與少量參考範例配對。舉一個簡單的例子,您可能會提供螺母、螺栓和螺絲經過標記的圖像給模型,並為每個類別附上兩個樣本,以及螺栓的測試圖像,然後要求模型預測三個物件類別中,哪一個與螺栓測試圖像最為類似。
少量樣本學習僅需要極少的經標記圖像,即可自訂 AI 模型(只需幾十張而不需要數千張),且通常只需要幾天或幾週即可完成,而不需要幾個月。此結果大幅簡化了現有的 AI 開發工作流程,幫助公司比以往更快地部署 AI 解決方案。
該公司希望能開發採用 AI 技術的瑕疵識別解決方案,但面臨許多廣為實作的障礙。訓練自訂模型非常困難,因為可供使用的瑕疵樣本很少。此外,他們使用同一條生產線製造各種產品,因此任何 AI 解決方案都必須能隨著產品和材料的變化,迅速在邊緣更新模型。若是採用傳統訓練方法,預估需要 6-12 個月的時間才能建置可運作的 AI,這是令人難以接受的時間長度,而且不利於未來的反覆過程。
Lenovo 作為智慧製造領域的領導者,在其研究部門 Lenovo Research 中孕育出 Lenovo Edge AI。它具備強大的技術功能,可解決上述難題。Lenovo EdgeAI 與製造商合作,利用少量樣本學習技術,開發出端對端電腦視覺瑕疵識別解決方案。初始訓練和本機模型更新僅在一週內完成。準確度令人印象深刻:沒有遺漏任何關鍵偵測項目。
為了減少延遲並支援本機管理,Lenovo 在邊緣工業個人電腦(IPC)上執行 AI 推斷工作負載。這能夠近乎即時切換用於多種產品類型的不同 AI 模型。這也讓工廠品質保障人員能夠現場重新訓練模型,以對應未來的產品修改或新出現的瑕疵。
每個組織平均會使用數百、甚至數千個 API,但往往 CISO、CIO 和 CTO 並沒有確實掌握準確的清單目錄。這就是為什麼 API 已成為常見的網路攻擊媒介。API 涉及的問題包括無法準確實施驗證、配置錯誤以及缺乏監控。
維護 API 安全性是一大挑戰,並在一定程度上取決於網路安全解決方案的應用方式。API 安全性管理公司 Noname策略聯盟技術總監 Ryan B 表示,大多數解決方案均採用「盲目」的方式來保護運算環境中的特定處,例如端點、伺服器和雲端應用程式。「如此一來,只會偵測到當下顯而易見的漏洞。」
結果:將導致 IT 環境中出現巨大的安全漏洞,波及公司內部資產,並對於堆疊不斷增加的雲端型和軟體即服務 (SaaS) 應用程式而言,將會影響其連線能力。Noname 藉由 AI 和 ML 演算法分析流量,識別並封鎖惡意行為,保護雲端、內部部署或兩者之中的資產,以此填補安全性漏洞。Ryan 表示:「我們公司專為解決 API 問題而生。」
Noname 選擇從企業的角度(而非安全性廠商或雲端供應商)來應對 API 挑戰,全面檢視整體環境,進而保護所有 API。
Noname 全球策略聯盟副總裁 Peter Cutler 表示:「我們發現市面上有許多解決方案無法識別 API 相關的惡意活動。等到發現時卻為時已晚。因此,Noname 整合推出立即可用的網路安全解決方案,例如 SIEM(安全資訊與事件管理)和端點防護。」
通常由惡意機器人進行此類攻擊。人類無法對抗機器人快速且大量的攻擊行為,因此需要 AI 和 ML 的協助。
Ryan B 表示:「這是一個尚未解決的超人類問題。您以為能運用過去所雇用的所有人員、購買的所有技術來妥善解決這個問題。您購買了防火牆、聘請了資安顧問,並進行滲透測試。相不相信?卻不足以對抗機器人攻擊。」
Noname 運用機器人來對抗機器人。在客戶環境中進行第一週實作時,Noname API 安全平台處於學習模式,會實際觀察那些使用 API 的應用程式中的流量模式。平台會記憶 API 規格、要求與回應架構,並分析通訊參數,包括支付卡資料等機密資訊。
第二週起,安全平台會利用第一週所獲得的基礎知識來識別偏離正常模式的活動。接著 AI 會判定異常之處是否為惡意活動。系統會標記並封鎖可疑活動。Noname 會針對流程給予可信度分數。Ryan B 表示,其中至少 80% 根據機器學習推斷特定動作為惡意行為,並可追蹤攻擊者及其已知位置。
為讓 IT 防禦功能保持最新狀態,Noname 採用可模擬網路攻擊的主動測試技術。每當客戶變更環境時,系統都會進行這項執行階段測試,檢查最新軟體版本、端點或其他元件是否受到妥善保護。這麼做可以防止將新的漏洞帶入環境。
Cutler 表示:「若沒有執行主動測試,則代表組織需要在推出新的生產 API 時雙手合十祈禱 API 閘道或網路應用程式防火牆 (WAF) 以及其他安全層級能識別漏洞並保護系統。這樣風險非常高,且肯定不是一項好的策略。」
API 安全性意識需要龐大的運算能力支撐
當然,ML 和 AI 也會持續在 API 安全性方面扮演核心角色。隨著流量增長,ML 和 AI 需要極高的處理效能。Ryan B 表示:「一開始我們使用八個 CPU,每秒約有 3,000 條訊息。之後,我們的機器訓練引擎開始需要更多 CPU 來處理 API 流量,每秒增加至 7,000、10,000、20,000 條訊息。」
Noname 與 Intel 密切合作,能有效提供執行 AI 和 ML 所需的效能。該公司測試第 5 代 Intel® Xeon® 處理器,並獲得更好的效能。同時利用 Intel 嵌入式加密技術,防止惡意行為者侵害 Noname 技術。
該公司也意識到 AI 模型可能存在偏見。Ares 表示:「我們嚴格審查模型,確保不會傳播偏見,在進行人口統計學評估時尤其如此。」Sensormatic Solutions 定期與其母公司智慧建築解決方案供應商 Johnson Controls 保持聯繫,隨時掌握全球法規與現場法律遵循事宜。Ares 表示:「我們希望在確保遵循法規的同時,也要提前思考產品以及未來[趨勢]的走向。」
AI 正在顛覆世界,每天都在不同的產業中不斷演化,轉變為不同的產業。一部分的原因是開發者正在打造新的解決方案,努力掌握每個新一代 AI 的潛力。而 Intel 能助一臂之力,讓一切成真,為開發者提供所需的技術與工具,例如 OpenVINO™ 和 Intel® Geti™。此外,OpenVINO 和 Geti 的設計旨在串連開發者和商業領域使用者,進一步推動新一代 AI 解決方案與使用案例。
為了進一步瞭解新一代 AI 開發專案,我們與 Intel AI 宣傳師 Paula Ramos 展開交談。她探討了 AI 解決的實際問題、涉及的 Intel 功能,以及 AI 的普及與散佈(影片 1)。因為這不僅是為開發者提供工具與技術;同等重要的是一開始就提供教育和資源,讓更多人進入這個領域。
影片 1。Intel AI 宣傳師 Paula Ramos 探討讓新一代 AI 成真的趨勢和技術。(資料來源:insight.tech)
您如何看待 AI 目前如何不斷發展及解決實際問題?
AI 發展神速;每天都有新事物出現。現在人們對它的認識比以往都更加深入,因為這些現實世界的問題轉變為令人驚豔的解決方案。新創公司正在利用晶片的力量與 AI 功能解決這些問題。
但我也想激勵更多女性從事 AI 領域。我想減少歧視與偏見。不分性別,每個人都該有機會在科技領域取得成就。女性能與男性平起平坐,認真討論科技議題。女性對如何解決問題有獨特的視角;我們擁有獨一無二的技能,可打造符合所有使用者需求的產品與服務。
我們也為 AI 領域做出了一些重大貢獻。其中一個例子是 李飛飛博士,他是史丹佛大學人本人工智慧研究中心的共同創辦人。她催生了深度學習,她發起了 ImageNet 計畫,這項計畫在深度學習部署中扮演著舉足輕重的角色。這是身為女性對 AI 產生的顯著影響,因此我可以想像其他女性也有能力,為這個領域貢獻多少想法。
關於 AI 開發的未來,您還想補充什麼?
有個重要問題我想問問開發者:您的夢想在哪裡?您可以實現這些目標,因為 AI 是一個強大的工具,有潛力為每個人把世界打造成更美好的地方。
所以,試試新技術、新模型與演算法吧。嘗試參與開放原始碼專案,積極做出貢獻。隨時關注使 AI 更加實用的最新趨勢。我們必須打造共融、公平且對所有人有益的 AI。引擎就在您的想像中。
開放式 AI + 物聯網軟體平台的優勢在於,不必每次都提供量身打造的解決方案。Mills 表示:「我們整合了經過驗證的範本,客戶可以將工作流程自動化,增加收益。」
此外,可重複的 AI 解決方案問世,降低了採用技術的門檻,讓科技普及化。EPIC iO 的使命是讓世界更安全、更智慧靈活,而且連結更緊密,而這類解決方案正是其中一環。AI 的成本越來越低,因為必要硬體與運算的成本和效能都不斷改善。這些因素也是普及化的推手。
如果公司想單純專注於發展優勢,那麼範本的形式就格外有用。舉例來說,資料分析公司 SAS 與 EPIC iO 合作,在 EPIC iO 安裝解決方案所收集的邊緣資料應用他們的技能。Mills 表示:「EPIC iO 與 SAS 的夥伴關係很棒,因為我們可以在邊緣收集所有資料,透過電腦視覺與機器學習模型產生事件和規則,然後將這些資料交給 SAS 進行更深入的分析。」
物聯網分析實現的效率
另一方面,在很多情況下,公司雖然知道必須改善流程,但沒有把握 AI 解決方案是否能見效。以加州某大公用事業公司為例,該公司會派遣員工檢查容器的填滿比例,如果比例不足,則進行後續追蹤。初次流程效率評估之後,該公司探究了安裝人類監控攝影機的可能性。然而,Mills 表示:「大規模採用人為介入式解決方案不太符合成本效益,也不實用,尤其是明明有 AI 這類技術可用。」
反之,EPIC iO 建議安裝物聯網攝影機感應器,利用 AI 與電腦視覺測量填滿比例,主動偵測問題。員工只有在比例下降時才必須到現場。更棒的是,AI 實現了數位轉型,因此該公司獲得了更多更實用的資料,包括現場的使用方式與時間,而非特別關注填滿比例這個狹隘的問題。
公用事業公司的案例說明,如何利用 AI 解決營運效率。公司必須思考,哪些問題尚未找到解決方案,其中哪些問題對業務最有意義。Mills 表示:「一旦確定了這兩個方向,那麼 AI 可以發揮效果的解決方案便呼之欲出。」
與合作夥伴合作
DeepInsights 建置於 Intel® OpenVINO™ 工具組,搭載 Intel CPU 和 GPU,既可提供高效能運算,還能降低用電量。此外,這個軟體屬於雲端原生,不侷限於單一雲端環境。DeepInsights 的可能性讓客戶可以控制 AI 相關資料的儲存和推論位置,是遵守隱私與資料處理法規的關鍵。
時效性網路不是第一個、也不是唯一的決定性乙太網路技術,但其他大多是專有技術,不開放端對端物聯網雙向無障礙的移動資料。時效性網路的關鍵價值是標準化,以整合網路取代專用現場總線,將網路上的實體連線虛擬化,並滿足工業 IT 與 OT 利害關係人的不同需求。IEEE 時效性網路工作小組成立於 2012 年,而目前致力制定標準。
「SIs 的軍火庫還需要另一項武器,提供更好的服務,才能為公司和協力廠商帶來更多收益。」Kastaniotis 說。PerCV.ai 的盈餘模型正符合所需:利用邊緣視覺 AI 專案,以快速且可擴充的方式帶來新的營收來源。
而且利用邊緣視覺 AI 帶來更多銷售額,也有助瞭解 AI 趨勢與相關技術限制。首先,公司要瞭解他們擁有的資料集,才能利用合成資料填補缺口。這項技術一樣有效能限制,所以公司必須拿捏準確度和耗電量的平衡。最後需要費一些功夫利用視覺瞭解環境。「您必須徹底瞭解您要達成的結果。」Kastaniotis 說。「您需要可以連結各個要點的基礎結構。若不,很難完成解決方案,讓您的生活變簡單。」