云达
社团法人台湾电子设备协会
 

掌握实施要领、妙用先进平台工具 加速 AI 应用落地实现

现阶段企业已可运用计算机视觉与机器学习技术,检测及分类金属表面的缺陷。来源:Intel

不可讳言,人工智能(AI)肯定是近年来最能引领风骚的题材之一,只因为假使没有AI的搭配,谈再多的物联网(IoT)也是枉然,徒然增加一堆「不知道怎么用」的大数据而已。因此过去红极一时的 IoT,如今已难单独引发关注,而是以「AIoT」(AI+IoT)之姿掀起更大浪潮,甚至有专家预言这股AIoT热潮将延续至少20年。

AI之所以红,在于它可以实现垂直市场的价值变现。比方说来自温度、湿度、振动等传感器产出的数据,都只是用来表述某一个时间点的状态,不过是冷冰冰的数值,如果未做进一步加值运用,几乎没有价值;反观若结合AI分析技术后,靠著 ML(机器学习)、DL(深度学习)所训练开发出来的模型,便可繁衍瑕疵检测、散乱工件取放、机台或元件的寿命预测等富含价值的应用,为业主带来可观的商业利益。

 点击图片放大观看

着眼于边缘运算需求,目前有愈来愈多厂商推出边缘服务器;此类主机均可装载GPU加速卡,以支持AI推论之工作负载。图为Lenovo ThinkSystem SE350。来源:Lenovo

时至今日,综观制造业领域,不论是设计、制造、检测等垂直活动价值链,甚至是跨企业的供应链管理,通通都被涵盖于AI的应用范畴。

只不过,纵使随著这几年不断洗脑,AI对于绝大多数业者来说简直如雷贯耳、无人不晓,但持平而论,AI不是软件包、更绝非随插即用的工具,假使企业未能掌握AI 技术实施要领,也不懂得搭配运用好的平台或工具,听得再多、看得再多,都无法真正将AI转换为数码转型能量。正所谓万事起头难,要想靠AI成就伟大的智能制造应用,还是得从原点出发,一步步练好基本功。

专家指出,做AI、数码转型的第一步乃是「命题」,企业必须有能力定义出具有价值的题目,否则无论订定不出题目、或是题目方向错误,都形同输在起跑点,后续投再多资源、花再多力气,也难以显现价值。

但值得一提,在AI整条价值链中,蕴含很多重要阶段,不管是资料收集、资料标注、模型训练、模型部署甚或模型再训练等等,随著技术演进,现在几乎每一项都有对应的辅助工具可供运用,让一些未必钻研过AI底层技术的人,都有可能独力完成某些工作流程;唯独选题这件事,不但需要用户自己来,也没有太多工具帮得上忙。

然而不会选题的人,倒也并非无计可施,只是需要考验自身的悟性。比方说可以参照现成的一些AI应用方案,了解该应用大致上的运行思维、以及预期产生的效益,再回头检视自己内部场域,看看有没有可以套用类似原理来达到改善效果的问题,如果这个问题也刚好攸关经营痛点,那么拿它们来做为AI命题,肯定错不了。

善用辅助工具  简化繁琐的标注流程

订定题目后,下一步就是众所皆知的资料搜集,因为没有资料,就没有训练素材,也就创造不出AI模型,但如何在合理成本架构下,确保搜集效率恒常维持高档,亦是企业必须关注的课题。

随著各种传感器、边缘闸道器(Edge Gateway)应运而生,各大公有云平台的IoT服务日趋完善,加上不久的将来还有5G企业专网居间加持,可以说「云」、「网」、「端」要素皆已齐备,因此未来不管资料的收集、处理或储存,能用的工具选项可说相当丰富。

完成资料搜集,下一个重要工作就是资料标注,也算是耗时费力的一环。举例来说,若工厂想利用 AI 做产品的瑕疵检测,那么一定有先决条件,便是让机器看得懂所有瑕疵类型,比方说 SMT(表面贴焊技术)的缺件、错件、短路、断路等,所以必须先让看得懂这些瑕疵的资深师傅,从大量图象中挑出瑕疵部位并予以标注,好让 AI 机器获得充分训练、得以培养瑕疵辨识能力。尽管标注是一项劳心劳力又伤眼睛的工作,所幸目前已有辅助标注的工具出现,用户可利用这些工具简化标注的繁复步骤。

一般来说,多数企业考量日后随时有可能启动AI专案,但每件专案需要耗用多少CUP 、GPU或Memory运算资源,则难以准确预估,既然如此,便倾向利用云端平台建构模型训练的基础架构。在此情况下,当企业已备妥训练资料后,即可将这些资料推送上云,放存于云端平台提供的资料湖泊(Data Lake)。

藉助自动化机制  一次实现大规模部署

接著进入最关键的一个阶段、也就是建模,通常需要仰赖建模人才,来满足原始命题下的概念验证(POC)目标,以瑕疵检测为例,其POC目标可能包含检出率、误报率、漏报率、推论时间等等。一旦训练完成,用户可以利用云端平台提供的Web接口,清楚看出每个模型的绩效表现是否如预期。

此时用户若选定其中某一个绩效最优秀的模型,接下来即需执行部署动作,简言之就是把它推送到指定的边缘设备,让这些设备有能力执行现场推论。但坦白说,模型部署上线这件事可谓吃力不讨好,尤其所欲部署的设备台数愈多,拷贝模型的次数愈多、执行安装的次数愈多,承担的工作负荷就愈吃重。

因此有些云端平台标榜提供大规模模型的自动部署功能,强调使用者只能透过Web接口设定好部署标的,后续便藉由OTA方式将模型推送到边缘端,甚至还可设定排程,以便在日后定期自动更新模型,甚至让现场很简单地启动再训练程序(当需要增加新的瑕疵样本时),值得企业参考。

总括而论,AI应用从无到有、直到真正落地实现,其间蕴藏许多不容或缺的作业流程,企业不管打算在地端或云端做训练,都必须勤做功课,找出每个环节对应的自动化辅助工具,如此才能无惧于资料科学家人才的欠缺,照样稳健踏实地创造一个个智能制造应用服务。

  •     按赞加入DIGITIMES智能应用粉丝团