丽台AI深度学习研讨会聚焦工业4.0与生医影像
- 台北讯
-
台北讯
伴随人工智能(AI)近年来全球走红，使深度学习跃居热门显学，只因它颠覆传统以「规则」为基础的运算模式，巧妙赋予机器理解、预测、环境适应等智能，成为驱动商业创新的新动能；专家预期一旦成功结合深度学习、大数据、物联网，将使AI应用迈进全新里程碑，为各行各业带来巨大商业价值，举凡制造业、生物医学及医学影像分析等范畴，皆可因AI而抢先受益。
有监于AI深度学习对于带动制造、医疗等产业创新，具有关键影响力，丽台科技特别与台中市电脑商业同业公会、静宜大学信息传播工程学系、长庚大学信息工程学系跨界合作，在日前联手举办「AI深度学习研讨会：工业4.0与影像医学分析应用与实例」研讨会，吸引踊跃与会人潮。
深究这场研讨会之所以吸睛，在于几个关键，首先如同前述，制造、医疗等产业可拜AI深度学习所赐，藉以实现工业4.0、智能医疗等创新目标，蕴含可观的效益价值；其次GPU被公认是深度学习不可或缺的手段之一，主流深度学习框架均纷纷支持GPU丛集，但对于多数人，如何加速跨足GPU领域、提升研发效率，仍处于摸索阶段，然而丽台GPU团队不论在于GPU应用、CUDA架构，及后端深度学习模型建置、前端深度学习推论(Inference)装置，皆累积深厚历练，不仅已经淬链出完整解决方案，亦拥有诸多实作案例，这些珍贵素材，无疑正是与会人员亟欲挖掘学习的瑰宝。
发展AI深度学习，带动产业创新成长
静宜大学校长唐传义致词表示，不少人对AI表达忧虑，担心抢了人类的工作，但他对AI趋势感到乐观，因为AI象徵一套工具、方法，或促进未来模式变革的力量，若把AI视为IA(Intelligent Assistant)，理当更为贴切。
唐传义说，丽台早年即思考将AI落实到经营理念，如今水到渠成，亟盼透过各界合作，致力从AI角度发展关键服务，将智能功能贡献到产业创新之上，而静宜大学乐于作为汇聚各方能量的平台。
丽台董事长卢崑山指出，NVIDIA在2007年推出CUDA平行运算架构，迄今历经多次版本更新，威力愈显强大，一路演进皆与GPU息息相关；以2007当年情况，GPU运算效能超越CPU达7倍，所需耗能仅一半，这些优异特质，即注定GPU是推进HPC、AI发展的重要动力。
近年国外全力发展智能化AI与深度学习，只因相关应用的纯熟与否，攸关国家竞争力强弱，但台湾的起步较慢，卢崑山不免对此感到恐慌；幸而台湾不管在制造或医疗等众多产业，皆拥有坚强的国际竞争力，亦累积相当庞大且环环相扣的数据基础，只要找到好的软硬件系统架构进行大量运算，便可从中挖掘创新致胜线索，如今大家已对此已有体认与共识，急于以GPU CUDA，及AI深度学习演算法为基底，凝聚各界智能结晶，加速推动各产业的创新发展，所以他原本抱持的恐慌忧虑，逐步转变为振奋乐观，期盼随着大家的努力，让台湾在AI深度学习的国际竞局中迎头赶上，帮助各行各业开创更美好的未来。
日常生活，处处蕴含AI与DNN商机
工业技术研究院信息通讯研究所副组长曾德伦认为，AI来的早、不如来的巧，他个人在30年前念研究所时，选择以AI为主攻科目，第一门课便学习自然语言分析法，学着如何利用AI与深度神经网络(DNN)来进行翻译，但当时与AI相关的工作机会甚少。当前随着半导体制程精进、运算能力激增，加上AlphaGo掀起热潮，AI发展机遇不可同日而语。
曾德伦表示，以翻译App而论，碍于使用不便(譬如找不到网络、手机扩音听不清楚)、精准度不佳，普及率始终不高，但近期一款被喻为翻译神器的新品，外观近似录音笔体积轻巧、携带方便，可在离线操作下，进行日、中、英等三语实时正确翻译，就连文法的精准度也颇高，唯独对于过长的语句或专业术语，还有些微失误。
他推论这款热卖的翻译神器，背后一定与AI、DNN有关，先透过强大运算资源进行训练，结束训练后，由神经网络将数据进行分类而「推论」出结果，所以这台小小翻译装置，即内嵌推论引擎(Inference Engine)，负责提供快速的推论表现。尽管可能碍于训练数据不够多，以致还有能力不足之处，但预期今后仍可继续成长，呈现更完美的翻译品质。
AI应用在生活之例，除了翻译机，还包括Google Photo的AI分享功能，及同样由Google研发以AI制作绝美风景相片，由此观之，深度学习的发挥空间很大，蹴手可及的题材，皆蕴含无限商机。
借助GPU，带动深度学习飞快成长
丽台科技专案经理刘家豪表示，GPU在10~20年前即被人们使用，期初侧重绘图应用，自2007年CUDA 1.0问世后，GPU跨足科学运算领域，被广泛运用于深度学习，应用范畴横跨网络及云端、多媒体暨影音娱乐、保安及国防、生物及医学、自驾车。
2017 GTC大会分享3个经典的深度学习实例，包括NASA藉深度学习进行卫星影像分类，测量地表变化及碳排放；洛杉矶儿童医院对患者进行存活率分析，以提供药物治疗建议；橡树岭国家实验室以深度学习分析讣闻，据此分析癌症人口结构。
刘家豪说，深度学习是具有多层结构的人工神经网络，需历经训练阶段，最终产生Inference，其包含多种框架，例如擅长大型图像识别的CNN，或适用于识别文字与语音的RNN。至于GPU加速运算，系以图形处理单元(GPU)搭配CPU，加速科学、分析、工程、消费及企业应用；而GPU在深度学习的角色，乃是承载应用程序中运算密集的工作，再由CPU执行其他程序码，GPU内含数千个小型且高效率的核心，擅于平行化处理多重任务。
一旦有了文字、图像或声音等大数据数据库，皆可借助GPU的高度平行化运算能力、矩阵函式库、优异的浮点运算效能及高效率传输，带动深度学习飞快成长。不仅如此，NVIDIA推出多项有助深度学习的软件工具，值得用户采纳，譬如针对各大深度学习框架设计的高效能深度学习建构模块cuDNN、交互式深度学习GPU训练系统NVIDIA DIGITS等等，NVIDIA另基于前端推理应用，推出Jetson TX2完整方案，标榜兼具高效能与低耗能，让使用者直接在智能终端装置上实时处理复杂数据。
利用人工智能，逐步实现工业4.0
丽台科技产品经理林威延表示，现今利用深度学习影像识别的应用触角，已广泛朝向广告投放、安全监控等领域延伸。经过NVIDIA统计，运用GPU发展深度学习的产业分布，以教育体系所占比重最高，制造业仅名列第8；让人不禁纳闷，制造业发展影响整体经济甚钜，何以AI需求相对偏低？症结在于Domain Know How与数据的取得不易。
以制造业来说，最热门趋势无疑是工业4.0，个中精髓在于虚实整合系统(CPS)，而CPS从底层而上涵盖5C历程，依序是连结(Connection)、转换(Conversion)、网络(Cyber)、认知(Cognition)及设定执行(Configure)；在实际运作上，每经过一段时间，由Sensor蒐集机台一段信号，同时记录该时段相关的加工参数，最终透过相似度比对演算法，藉由该机台自己本身相比或与同型机器相比，帮助管理者制定生产决策，以减少人力失误并提升产能。
在工业4.0领域极负盛名的李杰(Jay Lee)教授，与众多国际公司进行工业大数据联合研发，从而孕育Watchdog Agent智能维护系统，内含括健康评估、效能预测、健康诊断，及信号处理暨特徵撷取等重点，前三项所用演算法皆属于统计或机器学习范畴，而最后一项最为关键，只因特徵撷取方式攸关AI能否良好识别。
林威延指出，堪称机器学习入门教材的MNIST，让人见识到可以用最简单的类神经网络架构实现高识别率，但问题来了，如何将制造的信号与加工参数喂给演算法？他强调医疗业与制造业有许多应用，背后理论相似，例如检验医疗影像的技术，可套用至自动光学检测(AOI)，同理，检验心电信号的演算法，也可以应用于检验机台震动信号。
关于震动信号的AI应用可谓不少，例如藉由傅立叶转换，识别品质合格的主轴、不对心的主轴或部分轴承损坏的主轴，另可再搭配经验模态拆解法、多尺度熵分析，用于诊断工具机主轴状态且达逾90%识别率；此外可利用震动信号监测刀具切削参数，及利用电流信号监测刀具磨耗并进行等切削力回馈控制。
值得一提，工业4.0的虚实整合仍为概念，目前并无确切系统规格，实现理论均为以机器学习为基础的模型，其中传感器包含震动、电流、温度等等原始信号，直接作为类神经或深度学习网络的输入值，不易获得良好结果，若要达到预先诊断，则信号的特徵撷取可谓重要因子，不论所用演算法为何，均可利用GPU缩短执行时间。
GPU强力奥援，推动百万亿级生物影像分析
长庚大学信息工程学系副教授林俊渊表示，生物影像的魅力在于揭示生命运作过程，而该校基于生物影像的多年研究，发现经由细胞与粒子活动的生物影像，可望找到生命运作机制，但随着显微镜技术发展，使影像数据不论在数量、尺寸、维度或分析复杂性等方面，都出现愈来愈大的挑战，唯有运用GPU运算能力才得以突破难关，让研究人员能在实验过程中进行实时分析。
林俊渊也分享其与清华大学脑科学研究中心合力推动的果蝇脑影像分析平台，他强调，透过建构人脑图谱与神经元的相互作用网络，有助了解神经系统疾病与设计新药，而果蝇是适合用于研究脑功能与结构的生物之一；但论及果蝇脑活动图谱分析，堪称是百万亿级的浩大计算工程，若未借助GPU的强大运算能力，势必难以达成。
近年随着深度学习技术蓬勃发展，辅以GPU计算能力与日俱增，这些正面因素，皆有助于生物影像研究朝向AI发展，让人类加速探索生命奥秘，对生命科学领域产生更多贡献。
GPU与CNN加持，准确识别医学影像
静宜大学信息传播工程学系教授洪哲伦，为本次研讨会压轴讲师，主要阐述GPU与深度学习于医学影像分析之应用。他指出，以新一代Volta V100架构而论，GPU最高可达5,120个平行的CUDA核心，并拥有7.5 FP64 TFLOPS、15 FP32 TFLOPS运算能力，透过这些优势条件，不论用于MRI或CT影像重建、超声波扫描、影像切割或纹理分析(Texture Analysis)，都能大幅提升处理效能。
为何医学界需要从以往基因演算法，推进到深度学习？洪哲伦认为，欲精确识别医学影像当中的病灶，若纯粹走传统分类技术，已遭遇瓶颈，后续提升有限，但若能利用GPU与深度学习，尤其藉由CNN输入层、卷积层(CONV)、线性整流层(ReLU)、池化层(POOL)、全连接层(FC)之循序运作，对于影像特徵撷取可说助益甚大。
总括而论，深度学习于医学影像分析的应用方向，首先可从MRI与CT着手，进行肿瘤预测，其次则针对MRI或超声波进行影像切割与建模(Shape Modeling)，用以辅助脑部微出血(Cerebral Microbleeds)的诊断需求，或透过CNN计算头盖骨形状并去除相关影像，以期精确撷取脑部特徵，洪哲伦相信未来会有更多使用AI技术协助医学影像判读的应用被陆续提出，前景可期。
丽台科技事业处总经理周世伟表示，丽台科技长期专注于GPU解决方案、大数据分析，并成立GPU团队，成功协助诸多学术单位、研究机构与各领域产业界建构AI深度学习平台，且一并规划CUDA、深度学习之相关课程，提供用户教育训练需求，特别对工业4.0、生物医学影像等领域着墨至深，丽台GPU团队已蓄积足够能量，可协助制造、生技医疗等产业用户导入智能化AI核心与深度学习，加速突破瓶颈、改善营运效能。
