智能应用 影音
台湾电力股份有限公司
微软1215活动

【数码转型 台湾最行】缩短与AI的距离 以AutoML迈向人工智能第一里路

AI仍就是各行各业的热门关键字,但经历这几年发展下,可以发现实现各种AI应用背後所需的技术门槛变得更低,甚至不懂程序开发的领域专家,都能自己动手快速建立ML模型。在《数码转型 台湾最行》应用篇第十二集,专注於AutoML服务的杰伦智能创始人暨技术长林裕鑫分享制造业如何运用自动化机器学习引擎,快速建构AI专案,缩短与AI的距离?

 点击图片放大观看

Google发布Cloud AutoML,开启自动化机器学习(AutoML)产品如雨後春笋。Google

理论上导入一个AI专案建立的流程是:要先定义解决的问题,接着进行数据蒐集,然後进入数据清洗与预处理,紧接着开发程序与预测模型,而在实际部署前,还需要再验证预测模型。但这看似几个步骤的过程,却让很多不熟悉AI的制造业者裹足不前,林裕鑫指出,像是数据处理的过程中面对太过繁琐的数据处理起来相当棘手,且特别对於中小企业而言,取得模型开发人才相当不易,再来,则是验证模型又会花费大量时间。

IBM报告指出,一家企业光是优化、管理机器学习模型,就需要1至6名数据科学家。技术门槛在前,人才又不易取得,这样的需求既而衍生爆发式的自动化机器学习(AutoML)产品如雨後春笋,AutoML是一种能够让机器学习模型开发中耗时的反覆工作自动化的程序,这让相对缺乏人才的中小型企业,也能自己打造定制化的机器学习模型。包括Google於2018年发表的Cloud AutoML,以及云端龙头AWS也在2019年推出AutoPilot。

随着产业加速转型需求,导入AI的需求更盛,除了AI专案开发,如何让机器学习这项技术快速普及化,也成了市场上的另一块大饼。AutoML到现在也变成了主流机器学习服务的标准配备,创立於2018年的杰伦智能也是其一,杰伦智能以AutoML技术为核心,将AI技术化繁为简,以产品化、模块化的方式,提供自动化机器学习引擎,目的就在於希望快速为制造业铺上迈向AI的第一里路,缩短与AI技术的遥线上离。

林裕鑫认为,AI要普及,就不应该让演算法或程序成为一道艰深的难题。而杰伦智能发现,事实上同类型的客户在开发AI时所遇到的问题与情况恰好类似,因此杰伦智能便融入过去在客户端的解题经验,透过将开发AI时的繁琐工作与技术产品化、模块化,变成简单易用的工具,因为不需要自行撰写程序码,因此企业即使没有完善的数据科学家团队,也能自主完成AI专案。「对客户而言,就像是摆了一个数据科学家在办公室里。」林裕鑫简单地说,甚至这项工具简单到,一天之内就可以完成系统的安装与训练。

林裕鑫也以PCB实际应用案例举例,像是在蚀刻制程中关键的蚀刻速度,过去要靠老师傅根据前制程状况再来调整後制程参数,该PCB业者希望利用跨制程的数据建立预测模型,以自动调整蚀刻机台的速度或预测良率。

过去像这样的专案开发,需要数据科学家不断写演算法开发模型,然後不断试错,然而现在利用AutoML则可将这段复杂又繁琐的过程快速自动化,甚至透过模型指标判断模型是否合用,而产在线的专家所要做的一件事,就是将结果与过去的经验比对,找出哪些部分可再持续优化。

如此一来,过去老师傅的经验便变成AI模型储存在系统里,林裕鑫指出,尤其当前国际形势变化,供应链重新布局,不管是移转第二生产基地,或本国制造,对於制造业者而言,建立AI系统的好处是可以快速移转,把制造经验移动、复制到每一个工厂中。(更多精彩内容请锁定《数码转型 台湾最行》第2季应用篇)

新创X档案

杰伦智能科技股份有限公司 Profet AI
成立时间:2018/4/19
资本额:$31,007,967
募资轮:A轮
官方网站:点击前往
AI 数据分析 云端运算智能商业智能制造软件
ProfetAI Auto ML_ Virtual Data Scientist Platform
PrefetAI AI Lifecycle Management
  •     按赞加入DIGITIMES智能应用粉丝团
更多关键字报导: 杰伦智能 AutoML AI 数码转型