過去,我們討論的人工智慧(AI)與物聯網(IOT),大多是單一技術上的討論與使用。然而,講求快速、簡便的時代裡,則必須將不同技術進行整合、創新,並以實際落實使用者體驗為目標,而傳統的基礎架構與雲端運算已經無法滿足實際的應用。在萬物互聯的使用情境下,需要可以即時處理大量資訊,以及最小延遲的高可用性網路成為首要實現的目標,而邊緣裝置(Edge device)的智慧能力則能來協助這個目標實踐。

強化供應鏈系統整合 必須把握Edge AI商機

由科技部製作的數位季刊《科技魅癮》,6月號邀請到國立陽明交通大學資訊學院副院長陳添福教授,主要專注研發在AI模型訓練完成之後的優化與AI部署工程,指出當IoT搜集資料傳到雲端,最後在AI開發完後,需要部署到邊緣端(Edge),完整的應用才算實現。

陳添福教授指出,目前AI模型的開發上有許多開源碼(open source)工具可供修改使用,但AI優化與部署可用的平臺工具相當少。許多大型製造業者有AI團隊可以自己處理,但中小型製造業急需一套易用的AI優化平臺工具,幫助他們降低跨入智慧製造的門檻,然而不同製造業者在廠區的Edge AI應用與環境皆不同,優化平臺要標準化也將有一定難度。然而以產業發展的角度來看,陳添福教授認為臺灣供應鏈應把握住在Edge AI上的機會,包括從AI晶片到系統廠的板子最後到各種AI終端裝置的推出。在「台灣人工智慧晶片聯盟」(AITA)系統軟體委員會擔任主席的陳添福教授表示,參加系統軟體委員會大都是IC設計公司,彼此進行技術交流。要談制定規格對臺廠來說太遙遠,然而目前RISC-V的開放架構是臺廠可以關注並多參與的,以期將來能發揮影響力。



台灣之光YOLAv4 以智慧科技解決城市問題

當人口大量的湧入城市,交通與治安問題也成了一大考驗。臺灣在智慧運輸系統(Intelligent Transportation System, ITS)的發展上,如桃園市的智慧城市交通車流解決方案,即是透過電腦視覺技術做影像辨識及進行車流分析,抑或是新竹推出的無人自駕公車也有同樣的執行方案。

2017年科技部提出「業界出題、學界解題」的AI計畫,由中研院資科所與義隆電子攜手合作,為義隆電子提出的交通車流分析問題提出合適的解決方案,過程中,意外在2020年年底催生出物件偵測技術YOLOv4,展現邊緣運算(Edge computing)實際應用對於物體的辨識能力能更精準,設備體積也更輕量。中央研究院資訊科學研究所所長廖弘源教授表示,如果每個路口擺上攝影機,將搜集的資料送到雲端處理,勢必消耗太多時間與成本。因此,透過YOLOv4物件偵測系統,在Edge端就把問題解決,如計算平均車速、轉向車流等資訊,不用大量上傳至雲端造成運算塞車。

廖弘源教授也提到了智慧攝影機網路的應用。他指出,警察可以在巡邏車上安裝一步攝影機,在執行時可直接進行對向來車或同行車輛車牌掃描,利用邊緣運算(Edge computing)計算並查驗車號,以最簡易且直接的方式進行勤務執行、維護治安。此外,在路口安裝智慧眼,可依據行人數量即時調整號誌時間,同時也可透過廣布的智慧攝影機,以「行人重識別技術」(person re-indentification)來追蹤犯罪嫌疑人。當資訊不必再層層上報,而關鍵在於「即時決策」,才能即時解決當下問題。

*本文由科技魅癮授權,原文