逐步实现AIoT开发旅程 跻身新经济赛局赢家

AI演算法、车联网与嵌入式运算等三大技术同步到位，方能使自驾车愿景付诸实现。来源：analyticsinsight

毫无疑问，「智能物联网」(AIoT)无疑是近年非常火红的技术辞汇，其应用触角遍及全球各式各样的垂直场域。例如工厂，可利用特定的机器学习模型来量测IoT相关设备产生的数据，接着反馈给设备，指引它有效执行自动化制造、电源控制、预测性维护等对应作为，落实智能制造目标。

事实上万变不离其宗，与智能工厂近似的AIoT应用逻辑，也可显现于其他不同的情境。比方说医疗产业中的精准医疗、预防医疗，当个人藉由穿戴式装置将生理状态数据上传至云，医疗体系即可据此实时监控病患的身体状况，从而提出预防性的治疗或保健建议，一旦病患日后就医，医师也能迅速提供精准诊疗。

除此之外，近几年来众所瞩目的自驾车题材，更是重度依赖AIoT技术的应用情境，能够为原来仅具机械性能的汽车，赋予感知和学习的能力，让汽车能自行精准判读路况等外在环境、继而执行对应的操控，藉以消弭传统人为驾驶难以规避的交通意外事故，同时大幅降低每单位距离下的移动成本。

由此可见，若说AIoT是支持数码经济蓬勃发展的关键动能，完全没有疑义。然而，正所谓万丈高楼平地起，企业欲从无到有建造出属于自己的AIoT应用堡垒，整个过程难免充满诸多挑战。

一边训练一边调参  淬炼出最佳模型

其中最重要的起手式即是「选定题目」，企业急欲解决的经营痛点，只有企业自己知道，以制造业为例，可能是瑕疵检测效率太过低落，也可能是生怕生产机台骤然停机而酿成巨大损失，总之企业必须先定好具有意义的前提假设，才能展开后续的AIoT布局。

当选定有意义的题目后，下一步即需根据这个命题来收集数据、并且进行数据标注。以瑕疵检测为例，众所皆知必须结合电脑视觉、深度学习，但麻烦的是，按理说必须先有充足的训练数据，才能打造出有效的影像识别应用，反之若数据不足，便难以展现预期成效；但要企业生出几千张甚至几万张产品的影像数据真的很不容易。

值此时刻，企业不妨先下一番研究苦功，跳开一般常见的监督式学习模式，转而朝向迁移学习、生成对抗网络(GAN)等其他技术推进，藉由「小数据」来寻求突破、减轻数据收集负担。至于数据标注、也就是所谓的贴标签部份，则可引用AI辅助标注机制(AIAA)，加快标注效率。

接下来企业需要将标注好的数据，存放至数据融合运算平台。然后企业有两种选择，其一可利用Cube建模方式，根据这些数据建立商业智能(BI)仪表板，借此洞察历史数据背后隐含的趋势脉络；如果要进一步实现预测功效，则必须采用AI机器学习或深度学习的做法，利用适合的演算法、辅以必要的关键属性参数，展开模型训练工具。

当然企业不见得第一次或第二次，很快就产出令人满意的预测模型，所以有必要不断推动模型训练，一边做、一边调整参数，最终淬炼出精准度达到一定水准之上的优质模型。

打包为Web Service或Container  落实边缘推论

一般来说，受限于地端储存媒体、GPU运算资源有所不足，愈来愈多企业会倾向结果公有云平台的资源，来推动资源耗用相当繁重的模型训练工作。

但即便最佳模型的出炉，充其量仅有「最低可行产品」(MVP)的概念，只能算是好不容易从0走到1，接下来要想发挥最大的效用，则必须从1再走到100，也就是把模型真正导入到场域，配置到可能几百台、几千台边缘端装置，以便于日后无需频频重返云端、即能就近发挥AI推论功能。

可喜的是，针对从1到100的这段旅程，许多公有云平台都已提供自动化流程辅助，可轻易将模型封装成为Web Service或Container型态的推理引擎，然后利用OTA远程部署模式，将它布建到地端的设备当中。

假使企业认为推理引擎已趋成熟精进，可以选择将它烧制成芯片，形成标准化的AIoT微型服务，尔后就日复一日执行实时性的分析与判断工作。如果模型可能随着时间的推演造成绩效下滑，还可由现场维运人员自行操刀，透过标准化机制轻松展开模型再训练、再派送，促使检出率不断提升。

值得一提的，IoT技术历经多年演进，从云平台建置、连接大量联网装置的阶段起始，后续再结合大数据分析、AI 与边缘运算等能量挹注，已使得「数据驱动」创新思维蔚然成形，接续繁衍出愈来愈多精采的智能应用服务。

如今再结合5G的高(带宽)、低(延迟)、大(连结)三大关键特性，可说进一步消弭了AIoT环境中数据传递的阻碍，形同打通任督二脉，让AIoT应用更加实时、安全，连带使智能化的时代加速成形。