市場話題
- Advertisement -
機器人流程自動化 RPA主流廠商各擅勝場
商業流程諮詢業者的角色是顧問諮詢業者,主要服務模式是協助客戶進行企業內部數位轉型及相關的供應鏈流程改善諮詢,代表廠商有Accenture、PWC、BCG、KPMG、EY、Deloitte等機構。
商業流程服務業者的角色是系統整合商,主要服務模式是提供內建自動化工具的商業流程系統或協助建置商業自動化流程系統,代表廠商為IBM、HP等大廠。
RPA工具業者的角色是RPA技術提供者,其主要服務模式是直接提供客戶RPA技術工具給客戶自行整合,代表廠商為Automation Anywhere、Blue Prism、UiPath(圖1)。
圖1 RPA工具業者市占率
資料來源:Mindfield,資策會MIC整理(10/2018)
從全球市場規模來看,Automation Anywhere(AA)、Blue Prism及UiPath這三家RPA工具業者市占率最高。從市場影響和技術與交付能力來看,全球市場主要工具業者中已有5家RPA工具業者成為領導廠商,其中Automation Anywhere、Blue Prism、UiPath為市場最知名廠商。其中市場影響力參考業者產品市占率、營業額及成長率,技術與交付能力則參考業者產品技術、部署、執行、創造修改、支援整合的能力。
AA軟體機器人提升作業流程效率
Automation Anywhere,簡稱AA,是由流程自動化專家Mihir Shukla於2003在加州San Jose創立,主要是利用軟體機器人協助企業把現有的人工作業流程自動化,軟體內建人工智慧具有自我學習的能力,可隨著時間提升作業流程的效率與彈性,已經於2018年7月3日完成了2.5億美元的首輪籌資,目前估值已達18億美元。
目前全球擁有超過1,000多家企業客戶,包含Google、Juniper、LinkedIn、Cisco、Siemens、Comcast、Dell、ING等,合作夥伴包含Dell EMC、KPMG、Deloitte、 Accenture、Infosys等公司,是用戶範圍最大的RPA供應商。其產品IQ Bot獲得2018年網通產品指南(Network Products Guide)最熱門科技金牌獎,該產品特色是結合機器學習功能,可自文件擷取非結構化資訊,而Bot Store則是全球第一個線上機器人商店。
AA的產品發展策略分為三個階段,前期目標在發展IQBOT機器人與機器人市集,透過機器人市集,協助合作夥伴快速將預先訓練的機器人整合到特定商業流程中,並透過Bot Insight的分析平台,進行商業數據的分析與預測。中期目標希望強化IQ Bot的認知功能並結合文字識別、自然語言處裡、人工智慧等應用,並在目標市場導入雲端服務。長期目標是強化人工智慧、非結構化資料及人機互動等功能的研發。
Blue Prism致力取代高風險人工處理作業
Blue Prism是由流程自動化專家Alastair Bathgate與David Mos於2001年在英國倫敦創立,主要是透過機器人流程自動化軟體來取代企業低回報高風險的手動資料輸入和人工處理作業。該公司已在倫敦證交所上市,目前估值已達12億美元。
目前全球已有超過300個客戶並與NHS、Accenture、Hexaware、HP、Enterprise、Capgemini、IBM等大廠合作,它是目前唯一與AWS、Microsoft、Google、IBM建立認證機制的廠商。
Blue Prism的產品策略分為三個階段,短期目標在整合雲端應用,中期目標在擴展授權規模,擴大市場占有率,長期目標在發展人工智慧應用。
UiPath協助日常任務自動化
UiPath是由電腦專家Daniel Dines於2005年在羅馬尼亞成立,總部設於紐約的軟體公司。該公司致力於協助企業完成日常任務自動化,技術上透過電腦視覺、機器學習和自然語言處理等AI工具來自動化管理系統中繁瑣的文書工作,例如表單填寫自動化、帳務及發票的處裡或客戶服務流程的自動化。UiPath在2017年4月獲得3,000萬美元的A輪融資,2018年獲得1.53億美元的B輪融資,截至目前估值已達11億美元。
目前擁有超過1,500多家企業客戶,包括財富500強企業和政府機構,服務領域橫跨銀行、保險、醫療與製造業。其產品主要應用在文件管理、客服中心、醫療保健、金融財務、API整合、資料擷取、應用程式系統整合和業務流程外包,是目前整合最多廠商的自然語言理解、聊天機器人、文字辨識技術功能的廠商。它的UiPath...
結合IoT概念 自動化測試挑戰迎刃解
從半導體、電子系統到工業4.0核心所在的智慧型機台等,物聯網(IoT)裝置與工業物聯網(IIoT)系統的複雜度與日俱增。在這段產品鏈內,測試是不為人知的關鍵作業,而更複雜的IoT裝置則使測試更加繁複。不過,IoT概念也可大幅改善自動化測試作業,利用系統管理、資料管理、呈現與分析等IoT功能,再加上應用強化項目,為測試工程師提供更有用的工具,以克服IoT的挑戰。
管理測試系統為IoT/IIoT基礎
對IoT與IIoT而言,受管理的連線裝置是根本所在;但是許多測試系統即使比以往更為分散,卻未連線或受到妥善管理。一般而言,測試工程師若想追蹤在特定硬體上執行的軟體,或甚至只是想了解系統的大致情況,都相當不容易,更不用說要追蹤效能、使用率與狀態了。
幸運的是,大多數現代測試系統皆以電腦或PXI為基礎,並可直接連線至企業,如此即可享有管理軟硬體元件、追蹤使用與執行預知維護等額外功能,進而讓測試投資發揮最高價值。
收集/處理/管理資料為三大IoT商業價值
IoT的商業價值,源自連線系統所產生的大量資料。處理測試資料十分困難,因為有許多不同的資料格式與來源,例如包含時間與頻率的原始類比與數位波形或參數量測結果等;進行這類收集作業時,取樣速率與資料量通常會遠高於從消費性裝置或工業裝置收集的資料。讓情況更棘手的是測試資料一般為獨立儲存,且標準化程度極低。因此對公司來說,這類資料是「看不見」的資料,造成易於在產品生命週期的其他階段錯失重要的深入分析。
在實作運用IoT的全方位資料管理解決方案前,Jaguar Land Rover(JLR)僅能分析10%的汽車測試資料。JLR傳動系統經理 Simon Foster曾經指出,根據估計,我們現在可分析高達95%的資料,且因為毋須重複執行測試,所以測試成本與年度測試數量皆得以減少。由此可得知,對自動化測試資料應用IoT功能時,首先是從使用現成軟體轉接器收集並處理標準資料格式開始。
這些轉接器必須使用開放式記錄架構建置,以收集並處理獨特的新資料,包含設計與生產作業中的非測試資料等。測試系統必須可與標準IoT以及IIoT平台分享資料,以在企業層級充分發揮資料的價值。
善用工具呈現/分析資料
將一般商業分析軟體用於測試資料上可能並不容易,因為這類資料通常較為複雜且為多維度。 此外,典型的商業製表功能未包含測試與量測作業的常用呈現方式,例如類比與數位訊號的綜合圖形、眼圖、史密斯圖與星座圖等。內含適當詮釋資料的測試導向資料架構,讓工具能呈現測試資料並提供分析結果,還可將測試資料與設計與生產資料進行比對。
簡而言之,妥善整理的測試資料,讓工程師可將基本統計資料的分析結果應用至人工智慧與機器學習上,如此即可進行整合與運用常見工具的工作流程,例如Python、R與The MathWorks, Inc.、MATLAB軟體等工具,同時利用資料產生更多深入分析結果。
模組化架構有效開發/部署/管理測試軟體
目前的主流做法,正從原本僅限於桌上型應用的情況,轉為利用網路與行動應用程式加以補強。就測試而言,這種轉型可能難以實現。這需要在受測裝置(DUT)進行運算以處理大量資料,並即時做出合格/不合格判斷,而現場操作人員則需要與測試器以及DUT互動。
同時,公司希望能從遠端存取測試設備,藉此檢視結果與使用率等運作狀態。為了因應前述需求,部分公司建置了一次性的架構以集中管理軟體,並將軟體下載至測試設備(視DUT而定)。但也因為如此,這些公司必須維護其客制化架構,所以必須使用額外資源;而這些資源原本可用於商業價值更高的活動上。較高階的測試管理會是理想選擇,也就是從本地測試設備轉移至雲端部署。
網路架構工具可以供檢視測試設備狀態、進行測試排程,以及驗證推送至雲端或伺服器的測試資料。較高階的測試管理功能,可以與使用NI LabVIEW、Microsoft.NET語言、NI TestStand與Python等常用工具建置的現有測試系統相輔相成。
模組化測試軟體架構(測試管理、測試程式碼、量測IP、儀器驅動程式、硬體抽象層),讓公司可評估將不同軟體功能從本地轉移至伺服器或雲端架構之間的利弊得失。隨著更多測試軟體堆疊轉為雲端部署,在資料儲存、可調整的運算,以及易於從各地存取軟體與資料等方面,公司將會發現雲端運算所具有的優勢。
導入IoT技術成趨勢
將IoT用於測試已不再是未來的想望,能否辦到這一點,端視其現有自動化測試基礎架構與最迫切的業務需求而定。一般需考量的領域包含改善測試系統管理、提升測試設備使用率、從測試資料獲得更佳的深入分析結果,以及從遠端存取共用測試系統。高度模組式的軟體定義方式,讓公司能專注在價值最高的領域中,毋須做出取捨。
「很快地,我們的客戶將需要從全球各地管理與維護測試資產,這會成為標準做法。我們必須重新建置測試架構以整合IoT技術,特別是應藉此改善設定管理與資料分析,並支援業務數位化以因應工業4.0。」Thales數位產業總監Franck Choplain如是說。
(本文作者為NI商務與科技研究員)
低成本IoT設備量產起跑 儀器商產品布局各有策略
通常示波器、頻譜分析儀、網路分析儀等萬用型的量測儀器會被歸類為基礎儀器。在物聯網(IoT)產品上,相關的功能需求有增無減,但是隨著設備發展日趨複雜,以往的基礎儀器效能已漸漸無法滿足製造商的需求。
另外,在量產階段儘管量測項目較少,對於效能的要求也沒有研發階段來得高。但是在物聯網逐漸普及的同時,相關設備的低價化趨勢也無法避免;設備成本預算的降低,也將影響設備廠商在量測儀器投資上的預算規畫。為因應以上趨勢,儀器廠商也各有戰略,紛紛推出相對應的解決方案。
IoT提升電源量測挑戰 低功耗/大電源為趨勢
隨著物聯網的發展,基礎儀器所涵蓋的電源量測功能已漸漸不能因應時下廠商的需求。其中,物聯網設備講求低功耗的特性,時常要求電源需使用長達10年以上;另外也由於車聯網的趨勢帶動,使得大電源的量測需求也在提升當中。
是德科技行銷處資深行銷專案經理郭丁豪(圖1)表示,在以往,基礎儀器普遍是指電源供應器、示波器、訊號源頻譜分析儀這樣的量測儀器;然而隨著物聯網設備的發展,基礎儀器的量測效能已無法滿足新設備的要求。
圖1 是德科技行銷處資深行銷專案經理郭丁豪表示,隨著物聯網設備的發展,以往基礎儀器的量測效能已無法滿足新設備的要求。
在以往,電源相關的量測儀器多是屬於基礎儀器的範疇之內,然而由於物聯網設備對於低功耗的要求更高,因此電源相關的量測儀器的應用範圍與功能都必須要再提升,才能符合物聯網設備的需求。
為了延長電池續航力,製造商必須分析物聯網裝置在運作、閒置、待機和休眠模式下的電流消耗情況。裝置製造商還需重新建立各種運作條件,例如遠端軟體更新、極限覆蓋條件下的重複傳輸,以及裝置無法連接到伺服器等條件,以充分掌握每一種情境中,分別需要消耗多大電流。
郭丁豪分享,以整體物聯網設備需求來看,除了低功耗的量測需求之外,2018年開始也出現了許多大電流的量測需求,其主要是來自車輛聯網設備。面對此超低功耗與大電流兩個物聯網設備未來的進展方向,是德科技亦推出相對應的解決方案。
為了克服功耗問題,是德科技依據系統或元件測試低電流分析需求,提供直流電源分析儀(N6705C)以及元件電流波型分析儀(CX3300系列)。另外,物聯網裝置電池壽命最佳化解決方案(X8712A)則能幫忙有效分析耗電狀況。另一方面,CX3300同時滿足低電流量測要求,且具高取樣率,涵蓋100pA到100A的寬廣量測範圍,並提供高達200MHz的頻寬。
NB-IoT功耗優勢不敗 三表模組需求不減
在眾多物聯網連線技術中,由於NB-IoT具備超低功耗的獨特優勢,因此未來將會和5G技術並行,並且在電表、水表、瓦斯表市場占有一席之地。
羅德史瓦茲(R&S)無線通訊量測事業部程世豪(圖2)表示,以中國市場為例,該市場特別專注於NB-IoT設備的布建,並以三表應用為主,另外,在北美、澳洲也都能看到NB-IoT在礦場與畜牧業的應用。
圖2 羅德史瓦茲無線通訊量測事業部程世豪表示,在北美、澳洲都能看到NB-IoT在礦場與畜牧業的應用。
安立知業務暨技術支援部經理林光韋(圖3)亦提及,NB-IoT設備傳輸數據小,雖無法為電信營運商帶來太大的營收,但由於NCC的扶植,因此電信營運商期待能夠透過NB-IoT的推廣提升客戶數量。另外,由於傳輸資料量小的特性,NB-IoT的所需功耗非常的低,終端設備大約只需10年更換電池即可。
圖3 安立知業務暨技術支援部經理林光韋指出,由於物聯網設備對於成本的要求非常高,此趨勢也將對測試儀器市場有所影響。
羅德史瓦茲(R&S)應用工程部副理林方立(圖4)則說明,目前NB-IoT已進入模組量產階段,在該生產階段,廠商對於量測儀器的需求多為終端產品的驗證,羅德史瓦茲的CMW500寬頻無線通訊測試儀便能滿足該階段需求。另一方面,許多中小型的模組廠商不像是晶片商一樣擁有大產量與大資金,因此在模組量產階段,許多廠商也需要更為經濟型的綜合分析方案支持。
圖4 羅德史瓦茲應用工程部副理林方立說明,在NB-IoT量產階段,廠商對於量測儀器的需求多為終端產品的驗證。
IoT設備低價化 儀器商擴大產品系列應戰
無論是在物聯網設備的研發階段或是量產階段,廠商對於基礎儀器要求皆與以往有所差異;眾儀器廠商也積極推出相對應的產品系列應戰。
林光韋表示,以NB-IoT為例,由於該連線技術可以透過原本已架設好的LTE頻寬傳輸,再加上NB-IoT執照有NCC的扶植,因此電信營運商也更有推廣的動力。但也由於物聯網設備對於成本的要求非常高,必須要夠低價,才有可能做到真正的普及化,這也將對測試儀器市場有所影響。
正因為物聯網設備對成本十分要求,設備廠商在量測儀器的投資預算也會壓低。在未來,基礎儀器將會逐漸更加的小型化、輕量化。由於物聯網設備對成本考量及量測需求已不是過去傳統的基礎儀器能夠滿足,因此,未來無論是NB-IoT或是其他物聯網的量測需求都將更為複雜。
針對更加繁複的量測需求,安立知推出了VectorStar寬頻向量網路分析儀,該產品的頻率涵蓋範圍為70kHz~110/125/145GHz,能夠滿足更高階的量測需求,這些需求也依然是現在許多研發單位需要的功能。然而,另一方面,對於已經邁入量產階段的物聯網相關模組、天線或是被動元件廠商來講,量產的階段測項較少,對於成本更為考究,因此安立知也提供了ShockLine高性能向量網路分析儀產品系列,以滿足該需求。
Wi-Fi/藍牙加持 實現高CP值智慧實驗室
到量測儀器產業。為因應物聯網設備量測需求,不僅使得基礎儀器的需求提升,就連基礎儀器本身向外的資料傳輸與儲存也成為熱門議題。因此,已有儀器廠商推出導入無線介面的基礎儀器組合,瞄準平價市場,實現高CP值的智慧實驗室。
旺群儀器創辦人葉品顯(圖5)表示,任何量測儀器只要導入連線功能,便會提高數倍價格。舉例而言,一台最平價的分貝計只要台幣600元以下便能入手,但是一旦導入有線介面,價格便可能突破萬元台幣,價差非常大。
圖5 旺群儀器創辦人葉品顯表示,在平價的基礎儀器上導入有線介面除了將大幅增加成本之外,也會帶來配線複雜與掉線的缺點。
葉品顯進一步說明,目前市面上儀器之間的連線多以USB、RS232、GPIB與LAN為主,在平價的基礎儀器上導入有線介面除了將大幅增加成本之外,也會帶來配線複雜與掉線的缺點。
有鑑於此,旺群正式於2017年11月代理中國儀器商利利普旗下OWON品牌儀器,並推出包含示波器、訊號產生器、電表與電源四套件組合,其中示波器與電表導入了Wi-Fi與藍牙無線技術,並且瞄準教育市場與工程師各體用戶,期待能將物聯網的概念導入至基礎儀器之中,為這兩個客群帶來高CP值的智慧實驗室。
此外,在2018年旺群已與台南科大合作,在校園中建置14套智慧實驗室配備。葉品顯認為,基礎儀器的介面無線化將會持續發酵,在未來預期將會有更多廠商投入該市場;旺群則期待能秉持著先行者的優勢,在該市場搶下優勢。
專訪良興電子總經理賴志達 O2O會員管理助儀器電商銷售
良興電子總經理賴志達表示,在經營基礎儀器這樣高專業性產品的電商通路時,實體店也是不可或缺的幫手。基礎儀器若是在針對消費電子品項的電商平台上架,將很難推動銷售,消費者還是會需要實體店的專業客戶服務輔助。
賴志達將良興電子轉型電商的過程分為三階段,分別為投資階段、轉型階段與新零售階段。由於建置電子商務平台初期的固定成本非常高;因此在投入電子商務通路的前三年,可以說是「實體養電商」的階段。在轉型階段時,必須要有效串連線上客戶與線下客戶,同時可以透過電商了解各品項被點擊的狀況,藉此分析消費者輪廓;並且進一步優化實體店的布置。最後,才能達成新零售經營模式的轉型目標。
由良興電子所蒐集的數據可以看出來,如量測儀器這樣的高單價商品,消費者如果不先到實體店了解貨品狀況,通常不願意下單;因此,提供完整的線上與線下客戶服務,是經營儀器電商通路時的首要任務。賴志達也提到,過去一年來,看到客流人數與發票筆數皆在下滑,但是客單價、提袋率都大大拉高。也就是說,消費者來到店面都是有很明確的購物目的,因此通路更要將客戶服務的專業度拉升。
在實體通路轉戰電子商務的過程中,實體業務與電商通路的業績競爭是許多企業經理人在轉型過程中所遭遇到的重要難題。針對此一難題,賴志達認為,企業內部營運架構將是關鍵所在,若是實體與電商部門的資源沒有共享、也不互相支持,那麼內部人員的衝突在所難免。
良興電子總經理賴志達表示,如量測儀器這樣的高單價商品,消費者如果不先到實體店了解貨品狀況,通常不願意下單。
專訪英飛凌電源及多元電子事業處資深產品行銷經理鄧巍CoolGaN大幅提升電源工作效率
根據市場調查機構Yole Développemen研究顯示,2016年氮化鎵(GaN)功率元件產業規模約為1,200萬美元,而到了2022年,該市場將成長到4.6億美元,年複合成長率高達79%。
對此,英飛凌電源及多元電子事業處資深產品行銷經理鄧巍表示,GaN市場成長十分強勢,其市場產值從千萬美元不停攀升,甚至十年後可能達到10億美元的產值;而主要驅動力來自於電源和汽車產業。
因應電源產業對GaN需求明顯增加,英飛凌也於近期宣布推出CoolGaN 600V增強型HEMT和EiceDRIVER驅動IC。新款增強型HEMT採用可靠的常閉概念,實現快速開通和關斷,並可在開關式電源(SMPS)中達到高能源效率和高功率密度;且具更低的柵極電荷及反向導通狀態下的優異動態性能,大幅提高工作頻率。
鄧巍說明,GaN元件其中一項設計挑戰在於,如何將其從Normally ON設計成Normally OFF,以滿足安全考量。對此,英飛凌運用了獨特的常閉(normOFF)概念,採用P-GaN技術,把源極和漏極的電子層變薄,使其容易箝斷,因而能讓GaN元件實現Normally OFF的特性。
另一方面,為使電源產品設計業者更能發揮GaN特性,英飛凌也推出EiceDRIVER驅動IC,該系列產品可提供負輸出電壓,以快速關斷GaN開關。在開關應處於關閉狀態的整個持續時間內,EiceDRIVER IC可以使閘極電壓穩定保持為零,以保護GaN開關不受雜訊影響導致誤導通;且可實現恒定的GaN HEMT開關轉換速率,幾乎不受工作迴圈或開關速度影響,確保運作穩健性和高效能,大幅縮短研發週期。
英飛凌電源及多元電子事業處資深產品行銷經理鄧巍表示,GaN市場成長快速,為此,該公司推出新一代GaN解決方案。
產業需求紛湧現 AI鋒頭銳不可擋
從網路上可看到一則小故事,晉朝時有一位叫王質的樵夫,有一天他到信安郡的石室山(今浙江衢縣)去打柴。看到一童一叟在溪邊大石上下圍棋,於是把砍柴用的斧子放在溪邊地上,駐足觀看。看了多時,童子說:「你該回家了。」王質起身去拿斧子時,一看斧柄已經腐朽了,磨得鋒利的斧頭也鏽得凹凸不平了。王質感到非常奇怪,回到家裡後,發現家鄉已經大變樣。無人認得他。提起的事,有幾位老者都說是幾百年前的事了。原來,王質誤入仙境,遇到了神仙,仙界一日,人間已百年。
這個故事本來是說凡人的壽命短暫,需要多做好事修煉成仙,才能達到世人渴望長生不死的願望。不過換個角度想,圍棋這種遊戲讓連神仙來下也要思考這麼久,可見得圍棋是多麼難的一種遊戲。網路上還說到北宋科學家沈括在「夢溪筆談」中曾粗略估算過棋局的變數,稱「盡三百六十一路,大約連書萬字四十三,即是局之大數」,也就是指3的361次方,這實在是一個天文數字。
這是什麼一個概念,天上的星星總數大約是10的23次方,而3的361次方相當於10的170次方再乘上2,這可是比天上星星的總數後面還要乘上好幾百個零的倍數。所以說圍棋要下得好,不僅僅要會算,還要有策略,更需要有大局觀的視野。就是因為圍棋這麼難,所以電腦棋藝遊戲裡,圍棋這種遊戲很難達到高手的境界,不是棋藝太差,就是速度太慢,但AlphaGo的橫空出世,改變了電腦在整個圍棋遊戲的地位。
AlphaGo展露深度學習效能震驚圍棋界
在圍棋上AlphaGo用三個步驟贏遍人類,第一步驟是規則學習(Policy Network),學習人類所有頂尖的棋譜,用以模仿高手的招式。第二步驟是招數學習(Value Network),評估所有招數優劣,用以判斷不同招數在這個棋局的獲勝機率,第三步驟是布局學習(Tree Search),用來分析棋局的各種可能變化,並推演棋局未來的可能演變,用以決定落子的位置。
AlphaGo這個做法可說是第一次讓電腦模擬人類神經網路(Neural Network),並用深度學習(Deep Learning)的方法來學習下棋的頂尖招數,這個做法就好像武俠小說中的東方不敗,學會了葵花寶典的武功,成為了天下第一的武林高手。不過進一步的想,東方不敗只是一時的高手,卻不能列為頂尖的武林宗師,原因就是他的武功是學來的而不是自己創的。
AlphaGo的強大也是看人類棋譜深度學習的結果,如果棋譜有錯,它也會出錯,如果人類故意輸入錯誤的棋譜,它就會錯得離譜。而且AlphaGo雖然下棋厲害,但除了下棋,其他都不會,只能算初級的人工智慧不會威脅到一般人的生活。但是,開發AlphaGo的DeepMind團隊,緊接著推出AlphaGo Zero,那可不是同一個技術水平的創作。
原本的AlphaGo事先需要人工輸入大量的資料來學習,就像有些模擬人類神經網路的電腦如果要來判斷圖片中那些是貓那些是狗,需要匯入大量的圖片,並且需要人工事先定義圖片內容再輸入關鍵字,萬一將獅子Key成貓,電腦就埋下Bug種子,而且這種工作量實在太大了,變成了勞力密集工作,讓人感覺這種人工智慧(Artificial Intelligence, AI)有點Low。
AlphaGo Zero採用機器自我學習(Machine Learning)的方式來開發下棋應對方式與布局招數,只要講好遊戲的規則,它可以自我模擬對弈,以電子的速度短時間內自我對戰5,000萬次並學習出最佳的策略,進而開創出人類無法想像的對應招數與布局方式。DeepMind團隊在網路上化名試著與人類60位圍棋高手下棋,AI完勝人類。
到了後來,再拿新的AlphaGo Zero與原本的AlphaGo對奕,結果100:0,打得曾經戰勝人類棋王李世乭的AlphaGo毫無招架之力,到這個時候,AlphaGo Zero的棋奕能力與人類的差距,就好像猴子看不懂人下什麼棋一樣,AlphaGo Zero棋力已經自我演化到人類無法想像的境界了。
AI應用紛問世 監控領域為大宗
以模擬人類神經網路來深度學習(Deep Learning),再加上機器自我學習,這就是進階的AI人工智慧。目前一般市場上所說的AI,大都是指這種有自我學習能力的人工智能,而這樣的技術已經不只是用在下圍棋這件事上。
在2018年Google I/O的盛會上,Google就發表了幾個AI運用的例子,一個有意思的技術是關於如何利用AI在影片中將雜亂的「吵架聲」區分開來。這個技術如果用在通話,那麼不論講話的人在吵雜的工廠內還是喧鬧的演唱會上,雙方都可以聽到對方乾淨的聲音。
如果用在監控領域裡,那麼可以隨意點選錄影檔中講話的人物,不論當時錄影的背環境多麼喧譁嘈雜,都可進一步還原並聽清楚講話的內容,這對警方辦案將會是一個偉大的助力。
另外,Google I/O還展現了利用AI人工智慧技術發展而來的語音助理,在Google所公布的影片中可以看到Google I/O利用新的連續對話(Continue Conversation)與多工回應(Multiple Action)技術,不但能記住你以前講話的內容,還能分析談話的邏輯與可能想表達的意思,就算要理解人類說話中不容易瞭解的複合句也不是問題,甚至Google I/O還能模擬人類說話的語調與心機策略,幫忙使用者與理髮店服務人員談判預約最佳的理髮時間,這個技術對於需要有大量客服人員服務的公司來說,無疑是未來服務模式的最佳選擇。
美國輝達公司(NVIDA)近期也發表了如何利用AI人工智慧,在錄影影片中補上新圖像的技術。只要給它一組24個連貫畫面,就可以在每個畫面間隔之間補上10個新的畫面,原本的24FPS影像,就變成了240FPS影像,在慢動作播放的時候看起來依然流暢。
同樣的AI人工智慧技術也用在低畫質影片的補強上,美國聯邦調查局(FBI)就經常使用AI人工智慧的影像補強技術來分析監視錄影系統所收錄到的影像,從中找到犯罪的線索,進一步協助辦案人員偵破犯罪的罪行。
在日本,東京都的警察機關(東京警視廳)2002年開始導入自動車牌辨識系統(ALPR),這個做法大幅度下降了原本居高不下的竊車問題,而現在最新的AI人工智慧技術,讓原本的ALPR系統除了辨識度更加準確以外,還增加了大數據分析功能,針對偵查鎖定的車輛不但能繪製出過去的行動軌跡,還能預測未來可能行經的路線,對於犯罪的偵防擁有莫大的幫助。
最近火紅的人臉辨識技術(Face Recognition)也是炙手可熱的話題,在很多影片中都可看到中國大陸的公安部門,例用人臉辨識技術抓到隱藏群眾之中的通緝要犯,甚至還可以在群眾之中找出以往帶頭鬧場的問題人員,事先壓制囂張的氣焰。在商業上,利用人臉辨識技術來做門禁管理,甚至是購物記帳、寄物領貨、提錢轉帳等,更是如過江之鯽不勝枚舉。
CPU效能大增驅動AI發展
其實模擬人類神經網路來深度學習的技術並不是新的發明,早在上個世紀,1960年代美國麻省理工學院電子工程與計算機科學教授Marvin Minsky就創立了人工智慧研究室,後來還因為在人工智慧領域的卓越貢獻,獲得電腦界最負盛名的獎項,有「電腦界諾貝爾獎」之稱的圖靈獎(ACM A.M....
搶攻AIoT商機 邊緣運算模組大舉現身
AI走出資料中心 產業應用價值浮現
AI在本次物聯網共創峰會中,無疑是最熱門的議題之一,從工業製造到零售,再到醫療、能源產業,每個主題論壇幾乎都有機器學習(Machine Learning)、神經網路(Neural Network, NN)這類AI關鍵字。這也顯示各產業未來的日常運作,都將或多或少使用到AI技術。
不過,目前絕大多數的AI推論都是在雲端資料中心上執行,對許多產業應用而言,這種系統架構未必符合需求。因此,直接在嵌入式裝置上執行模型推論的邊緣運算架構,成為許多產業評估AI部署方式時的首選,也連帶使得低功耗AI處理器/加速器方案成為半導體業者不能缺席的重要戰場。
英特爾物聯網事業群(IoT Group)副總裁Jonathan Ballon(圖1)表示,許多基於AI的新應用出現,使得物聯網架構出現轉變。在過去,AI運算只發生在資料中心或雲端,這意味著如果某種應用需要AI功能,必然要仰賴雲端來提供。但現在AI正在從雲端走向終端,走進實體世界。
圖1 英特爾物聯網事業群副總裁Jonathan Ballon認為,AI正在從雲端資料中心走向邊緣節點,並創造出更大的產業應用價值。
在過去4年,GPU在AI領域取得巨大成功,特別是在資料中心跟演算法訓練上,由GPU和CPU組合而成的異質運算架構,無疑是最主流的解決方案。不過,這只是AI發展的第一個階段,在這個階段,人工智慧演算法在ImageNet這類固定、已知的龐大資料集進行訓練,證明自己在圖像辨識上的能力可以超越人類。
但這些技術上的突破,距離產業應用跟創造價值,還有一段距離。就以圖像辨識為例,對產業應用來說,這項技術真正的價值在於用機器判讀沒有看過的圖像,並取得正確的判斷結果,也就是AI推論。
英特爾觀察到,在過去12個月,不同領域企業已經把重點轉向這個領域,例如智慧城市、醫療、工業製造相關企業。然而,這些從物聯網蒐集而來的不特定資料,因為種種原因,大約有45~50%無法上傳到雲端,自然無法在雲端進行推論。因此,這些資料的處理、分析跟推論,必然要在本地端執行,也就是所謂的邊緣運算。
在邊緣運算的情境中,GPU未必是最理想的處理器選擇,因為很多應用情境不會允許設備內有散熱風扇這類可動的零部件,或是功耗預算極為有限,無法支撐GPU運作。因此,邊緣運算的異質化程度會比資料中心更高,除了CPU、GPU之外,還有各種專用加速器存在的市場空間。
但Ballon認為,隨著邊緣裝置的運算能力越來越強,「訓練在雲端,推論在邊緣」的狀況會出現變化,有些AI的訓練也可能在邊緣直接進行。
機器視覺結合AI最成熟 模組方案搶食升級商機
在各種AI應用中,機器視覺結合AI是進展速度最快的領域,而且可以發展出來的應用功能也最多。以零售業為例,從店鋪內的人流偵測、貨架上的商品存量檢查,甚至商品是否放錯位置,都可以用AI搭配機器視覺來檢測。在製造業,AI加上機器視覺最主要的應用則是生產線的品管檢查。在智慧城市、醫療等領域,AI結合機器視覺的應用也越來越多,從交通流量偵測、自動停車到判讀醫學影像等。
要讓這些應用加快普及,強大的開發工具是非常重要。為此,英特爾已經推出OpenVino開發工具,並免費提供給開發相關應用的客戶。這項工具支援CPU、GPU、FPGA與Movidius等各種硬體處理器,讓應用開發者可以把運算任務配置給最適合的處理器核心或加速器,提升應用的執行效能。該工具支援目前業界常用的各種框架、模型,還有大量的演算法參考範例,可以讓應用開發的速度明顯提升。
但除了軟體工具之外,硬體本身的效能也必須跟著提升,才能讓機器視覺結合AI真正落實到各種應用上。英特爾近期發表的Myriad X視覺處理器(VPU),本身的封裝尺寸僅8×8mm,卻具備4TOPS運算效能,且功耗低於2瓦。對許多機器視覺應用來說,1顆Myriad X的效能已經相當足夠,但如果應用需要更高效能,該VPU還可支援雙路到八路不等的配置。由於研華是英特爾的重要合作夥伴,因此在英特爾發表該VPU之際,研華已同步推出搭載單VPU的板卡模組,未來研華還會提供搭載多路VPU的模組。
英特爾和研華有很深遠的夥伴關係,而且彼此有共同的願景。例如英特爾的Market Ready解決方案和研華的物聯網應用解決方案(SRP),在本質上就有許多類似之處。這使得英特爾跟研華能在許多領域進行深度合作,甚至在產品還沒正式發表前,就進行共同研發。
AI模組大軍蜂擁而上
模組方案對加快AI走向真實世界的速度相當關鍵。如果沒有模組方案,已經部署到現場的設備將難以就地升級,只能汰換成新設備。但如果有模組卡,既有設備只要有保留介面,就可以立刻升級。以單VPU的模組為例,研華的模組卡就是採用業界標準的M.2規格;搭載多路VPU的模組,則料將採用mini PCIe或標準PCIe。
研華網路通訊事業群協理林俊杰指出,對應用或設備製造商而言,晶片只是關鍵零組件之一,如果應用開發商要獨力將晶片整合到設備上,需要投入相當的設計研發人力,產品開發的時間也會拉長。因此,市場對AI模組解決方案的需求,可望隨著AI從雲端走向邊緣裝置的趨勢而提升。
不過,物聯網應用本質上是一個多元而分散的市場,因此對推論運算的需求也會有所出入。有些嵌入式裝置可能需要非常高的運算能力,功耗預算也比較寬裕,採用GPU或FPGA擴充卡會是可行的選項。有些嵌入式裝置對功耗的要求比較嚴格,運算效能的需求較低,這時候加速器模組方案會比較有吸引力(圖2)。
圖2 各種AI處理器/加速器優劣勢比較
因此,除了和英特爾合作推出搭載Myriad X的模組外,研華跟索思未來(Socionext)、瑞薩(Renesas)、賽靈思(Xilinx)、NVIDIA等晶片業者,也保持密切合作的關係,並已陸續推出搭載上述晶片商產品的模組或板卡,以協助各家應用開發商快速將AI推論功能導入到產品中。
專訪愛德萬機電整合事業處/新產品事業處副總經理蘇勇鴻 高效解決方案克服IoT測試挑戰
愛德萬機電整合事業處/新產品事業處副總經理蘇勇鴻表示,IoT基本上是一個很廣義的名詞,涵蓋各種應用市場,例如車聯網、行動通訊、AR/VR、醫療等領域。而為能大量生產IoT產品,自動化測試需求持續增加,除了單顆IC測試之外,也有越來越多的模組需要測試。然而,不論是何種IoT產品、元件或模組等,除了要有傳輸功能、夠高的安全防護,另一個要點便是低功耗,也就是夠省電,也因此,量測儀器商便須針對這些測試需求推出更高效的解決方案。
為此,愛德萬日前便宣布於該公司旗下的V93000單一可擴充平台,新搭載FVI16浮動電源VI供應器,使其性能再升級。據悉,FVI16可用於測試汽車以及工業用或消費性行動充電應用的電源與類比IC,包括成長快速的電動車和快充市場。新電源供應模組能提供250瓦高脈衝功率,直流電供應最高可達40瓦,充足的電源供給使機台能在測試新一代元件的同時,兼顧穩定而重複的量測工作。
除此之外,該產品還具備更高的儀器通道密度,能做到細密精微的系統設置以配合該公司旗下A級測試接頭,進而降低測試成本;且還具備16通道加上4象限作業,使電源供應得以在高電流測試時達到單片測試卡最高155安培的測試。至於在高電壓測試方面,該產品則能達到單卡+180伏特,浮動電壓範圍 +200伏特的功能;另外還具有整合快速電流限流保護設定,能防護載板硬體、探針卡接腳與待測物插座,以免元件毀損造成短路。
愛德萬機電整合事業處/新產品事業處副總經理蘇勇鴻(右2)表示,如何滿足效能、尺寸及電源,是IoT測試須克服的挑戰。
台北科技大學機電學院院長專訪 跨領域學程培育AI人才
國立台北科技大學機電學院院長張合指出,執行許多產學計畫是北科大的重要特色,與產業界極深的連結也是該學院的重要優勢。在未來,北科大機電學院也將持續實行更多不同的產學計畫。
其中,人工智慧(AI)與綠能是未來產業的重要發展方向。在開創新產業的路上,北科大也不會缺席。
圖1 國立台北科技大學機電學院院長張合表示,執行許多產學計畫是北科大很大的特色,與產業界的連結極深也是該學院的重要優勢。
AI促跨領域課程興起
要發展人工智慧應用,感測器是其中一項不可或缺的關鍵零組件。張合分享,近期北科大也剛通過一項教育部專案計畫,未來感測器相關的人才培育將會成為北科大未來的重要發展方向。近年來,人工智慧成為熱門議題,無論是在智慧醫療、自動駕駛、智慧製造等等應用場域之中,感測器都是其中的關鍵技術。張合提到,有鑑於此,北科大聯合了機電學院與電資學院跨領域合作,共同投入感測技術的開發;預計將針對車用、生醫、工業應用領域研發感測技術。
由於人工智慧技術近年相當受到重視,北科大也期盼學生能夠盡早對於相關概念有初步的了解。因此,在2018年開始重新招生的北科大五專部課程中,將由一年級下學期就開始安排人工智慧課程,期盼學生能夠在專業課程的起步階段就能夠具備人工智慧的基礎概念。
另外,張合也提到,產業的快速變化使得跨領域整合的學程、課程越來越多;因此,大學部的課程安排必須要盡量減少總學分數或是必修學分數的占比,才能讓學生有更多機會做到跨領域的學習或是培養第二專長。
因此,北科大也提出了「自主學習」方案,也就是說每個學生在四年的就學過程中,將有一次機會能夠提出自身想要學習的題目,並且跨院自主學習,最後由一名學校老師來判定該學生的自學學習計畫是否合格,若是則拿到學分。
風力發電微學程 助新產業起飛
隨著科技的演進,學院的課程內容也會隨之改變;尤其是對於與產業界連結更為密切的科大體系而言更是如此。國家發展的需求影響了教育部的政策,各大專院校的教學計畫便會隨之改變。因此,學院的教學安排隨時都在變動之中。舉例而言,綠色能源的發展便是一個很重要的發展項目,未來將投入大量資源在該領域,有望使綠能成為一個全新的產業鏈。其中,除了太陽能發電之外,風力發電更是另外一塊備受注目的應用領域。
近來台灣政府正積極推動離岸風力發電,未來在彰化、台中離岸將會建置許多風力發電設備。因此,現在北科大已組成跨學院學程以培養相關人才。張合進一步說明,離岸風力發電設備與陸上風力發電設備有相當大的差異。例如,海風會帶來較高的設備腐蝕問題,同時發電機械設備的維修也較為困難;另外,地基的土木知識也與陸上風力發電設備不同。以上種種難題,需要仰賴不同學院的專業,並且跨領域合作。
有鑑於此,目前北科大組成了包含工程學院、電資學院、機電學院的跨學院團隊,接受經濟部檢驗局的訓練。由2019年開始,北科大也將推出「離岸風力發電微學程」,可供未來大學部學生選修。張合認為,未來,在離岸風力發電產業中,北科大的團隊將占有一席之地。對於北科大而言,培育該產業所需人才,也是一項重要的教學方向。
3D感測/機器視覺強強聯手 AI升級智慧製造商機無限
AI人工智慧讓智慧製造能力再上一層樓,而應用已久的機器視覺,亦從成熟的光學檢測AOI,蛻變為內含深度學習(Deep Learning)技術的電腦視覺,搖身一變成為智慧製造的核心技術,影像與視訊內容的自動擷取、處理、分析與應用更加迅速、普遍與成熟。這樣的轉變不僅展現在生產效率的提升上,更可以進一步精簡人力成本,未來AI系統甚至可以針對機台的問題進行自我檢測,分析問題與成因,然而這僅僅是十八般武藝的開端。
近來,許多新興技術發展並與機器視覺結合,進一步擴大了其功能與應用範疇,3D感測技術包括飛時測距(Time of Flight, ToF)、立體雙目視覺(Stereo Vision)、結構光(Structured Light)等技術可以建立三維感測資訊,尤其測距應用的延伸,將使電腦視覺的功力不斷提升,本活動介紹機器視覺技術架構與應用最新動態,加上多個感測技術的加持,並剖析其與AI結合的發展與應用趨勢。
機器視覺助智慧製造一臂之力
而製造業從工業4.0口號被打響以來,製造系統從自動化進入智慧化的另一個全新的發展境界,機器視覺(Machine Vision)/電腦視覺(Computer Vision)就是達成此目標非常關鍵的技術。倢恩科技研發部經理邱威堯(圖1)提到,導入機器視覺可以使傳統製造業產線的生產方法更具彈性與可變性,並改善作業人員工作環境,遠離危險惡劣的工作流程。使用機器視覺的生產線,讓產品從人工檢測進步到自動品質管理,可增進品管重現性/一致性,以達成高度品質管制,降低人員因疲勞或情緒不佳誤判所造成的損失,同時讓檢測數據數值化,自動產生統計報表以便於管理與決策分析。
圖1 倢恩科技研發部經理邱威堯提到,導入機器視覺可以使傳統製造業產線的生產方法更具彈性與可變性,並改善作業人員工作環境。
機器視覺的基本要點包括:檢測(Inspection)、物件識別(Object Recognition)、量測(Gauging)、機器導引與定位(Machine Guiding and Positioning)。
檢測Inspection
利用機器視覺技術自動檢驗製程中工業產品之瑕疵,例如印刷電路板上的線路是否短路、斷路,半導體晶圓之表面缺陷及LCD面板之缺陷等。
物件識別Object Recognition
用於確認物件的身分,例如車牌辨識、條碼辨識、IC元件之光學字元辨識(OCR)及鍵盤檢視、人臉辨識、指紋辨識、瑕疵分類等。
量測Gauging
以機器視覺技術進行非接觸式的量測,例如工件之尺寸、夾角、真圓度及印刷電路板之線寬等。
機器導引與定位Machine Guiding and Positioning
利用機器視覺引導自動化機器之路徑,例如引導銲接機器人之銲道,無人搬運車之行進軌跡;亦可用於決定目標物位置,如SMT、PCB自動裝配作業的定位與機器人的行走路徑等。
機器視覺影像處理要點
進入作業程序後,機器視覺系統針對擷取到的影像進行處理則是另外一個重點,邱威堯進一步說明,影像強化、影像分割、影像編碼、影像還原等為主要的技術。影像強化是使處理過的影像比原始影像更適合於某一特殊應用,方式包括空間域(Spatial Domain)與頻率域(Frequency Domain)。影像分割則是凸顯出影像中感興趣的部分。
影像編碼就是使用較少的位元來顯示一幅影像,壓縮是最常見的方法。影像還原則是改善或重建一幅遭到破壞的影像,邱威堯說,影像還原技術通常需要大量運算時間,且還原後的效果不見得可以接受,建議由取像環境、設備與技術來改善影像的品質。
機器視覺硬體選擇無唯一解
在機器視覺硬體部分,主要由打光、鏡頭與相機組成。邱威堯指出,打光是機器視覺中非常困難的一部分,需要許多直覺與實驗,而打光技術也無通則,但對於特定應用場合已有經驗可循,而打光的方法是根據待測物的光學特性來決定,打光的目的則包括,取得與強化待測物中有興趣之特徵,使前景與背景明顯不同,強化訊噪比,以得到更高品質的影像,凍結移動中物體的運動並去除鏡反射(Specular Refection)等。
而打光的方式則分為正向打光、背向打光與結構打光。並可再進一步細分為擴散式正向打光、直向式正向打光、低角度斜向打光、同軸打光、擴散式背向打光、遮背式背向打光等多種,端視需要的效果而定。光源部分則以人工光源最常用,種類包括白熾燈的鎢絲燈泡、鹵素燈;放電燈的螢光燈、水銀燈、高壓鈉氣燈、複金屬燈、氙氣燈;固態光源的LED與固體雷射。其中,近年在實務應用上LED燈儼然已是主流。
另一個重點就是鏡頭,邱威堯強調,這部分的選擇同樣沒有最佳解,端視需求與使用者掌握的資源而定,選擇的要素包括視野、焦距、工作距離、相機底座、相機格式(感光元件尺寸)、景深、光圈值、相機型式等。以景深為例,其代表聚焦清晰的範圍,長景深表示聚焦清楚範圍大,短景深表示聚焦清楚範圍小,一般景深可以透過縮小鏡頭光圈來增加,但是照明的亮度也要相對提升,原則上要避免出現短景深的情況,以追求長景深為目標。
3D感測加值機器視覺
3D感測技術並不是全新的技術,由於iPhone X的人臉辨識解鎖應用,讓市場大為驚艷,帶動的發展熱潮逐漸滲透到不同領域。目前主要技術為立體雙目視覺、結構光與飛時測距,艾邁斯半導體(ams)資深應用工程師湯治邦(圖2)表示,這三個技術都需要搭配光源,現階段主流光源是垂直腔體表面雷射(VCSEL),並使用不可見的紅外光,波長850nm與940nm為主,因有極少部分人可看見850nm的紅外光,所以近年940nm使用比例逐漸提升。
圖2 艾邁斯半導體資深應用工程師湯治邦表示,飛時測距、立體雙目視覺、結構光技術特性有些差異,造成不同應用與需求各有優勢。
發光源的部分,除了熱門的VCSEL之外,LED與邊射型雷射(Edge Emitters Laser, EEL)都是常見的光源,以技術特性來深入比較,湯治邦指出,VCSEL雷射光的光線集中,LED則呈現散射方式,因此VCSEL波長範圍穩定,可產生波長最精準的光線,操作溫度最高可達200℃,溫度特性比LED與EEL優異,製造成本與半導體製程的簡易度也有相對優勢,是該技術受到高度注目的原因。
此外,主流的三個3D感測技術,技術特性有些許差異,造成不同應用與需求下各有優勢,立體雙目是由兩個攝影機分別擷取影像,理論與人眼相似,透過三角函數可以測知物體的深度,與其他兩個技術相較由於感測元件技術成熟成本較低,但模組體積較大、耗電量較高,也易受環境變化影響,如天候昏暗就會影響感測品質與準確性。
因為iPhone...