- Advertisement -
首頁 標籤 人工智慧

人工智慧

- Advertisment -

製造業AI需求上揚 2025年投資總額大增至132億美元

為了降低成本同時提高生產效率與水準,製造業目前正積極導入人工智慧(AI)技術。隨著人工智慧在製造業中的應用越來越普及,估計到了2025年,人工智慧軟體、硬體和服務的年度支出將達到132億美元。品質控管、產量改良(Yield Improvement) 、根本原因分析(Root Cause Analysis) 、預測性維護(Predictive Maintenance) 、能源管理和數位雙胞胎(Digital Twins)等都是促進智慧製造投資人工智慧的因素。 根據市調機構Tractica的報告,製造業公司現在正以適度但穩定的速度導入人工智慧技術。預計全球製造業對人工智慧軟體、硬體和服務的投資總額將會從2018年的29億美元增加到2025年的132億美元,而提高運營效率以降低生產過程成本,是目前人工智慧在智慧製造領域最成功的範例。 不過,製造業在自動化和技術方面存在一些矛盾。一方面公司採用各種工具來使生產過程更加快速順利,製造業在一個多世紀以前便整合了許多技術;但另一方面,由於可能要投入大量資金和時間的關係,製造企業在實施新技術方面又傾向於規避風險。 對此,Tractica的首席分析師Keith Kirkpatrick表示,隨著製造業對成本愈來愈敏感,加上客戶對於品質的要求提升,製造商趨向利用人工智慧來提高設備的性能、幫助減少停機時間、並提高產品的生產數量和品質;而人工智慧技術最顯著的強項就是能夠在大量數據來源中找到有用的資訊並進行快速分析,若以人力處理這樣龐大的資訊則需要非常多的時間以及成本。
0

西門子打破沉默 大談AI三大應用領域

人工智慧(AI)雖然是過去兩年最熱門的話題,但過往德商西門子(Siemens)鮮少對外談到自家在相關領域的投資布局跟技術進展,特別是在製造相關領域。眾所皆知,西門子事業布局遍及能源、工業、基礎建設與醫療,其中有些領域的AI應用導入較為快速,但在工業領域,AI導入的進展看似比其他事業部門來得緩慢。但西門子只是鴨子划水,隨著時序進入2019年,西門子終於打破低調,大談人工智慧在醫療以外三大領域的應用以及公司的相關布局。 台灣西門子總裁暨執行長艾偉(Erdal Elver)表示,人工智慧不是新技術,30多年前他在慕尼黑大學攻讀碩士學位的時候,研究題目就是自然語言處理(NPL),但當時不管是晶片運算能力、通訊頻寬或程式開發環境都還沒有到位,因此只能做紙上談兵的理論研究。當時,光是要把一個句子做德英翻譯,都得等老半天,系統才能給出差強人意的翻譯結果。但如今情況已經大不相同,透過巨量數據的蒐集與分析,搭配專業領域知識,以人工智慧科技的智慧演算,提供決策者更精準判斷的依據,提升產業生產力和效率,為社會經濟發展創造可觀價值。西門子已投入人工智慧研發三十餘年,將其電氣化、自動化與數位化的專業與人工智慧科技完美結合,致力協助台灣在智慧製造、永續能源、智慧基礎建設全方位數位轉型和智慧升級。 回顧2018財年,西門子在未來製造、永續能源、智慧基礎建設三大領域完成了數個指標性專案,為台灣產業和基礎設施導入人工智慧穩健紮根: .未來製造:與精誠資訊、緯謙科技和新漢公司針對MindSphere簽訂合作意向書,成為全球策略聯盟夥伴;勝源機械和麗健福生物科技導入西門子MindSphere與數位解決方案,強化生產製造品質與效率;與台北市政府教育局簽訂「數位職人培育試辦計畫」合作備忘錄,強化產學鏈結,提高台灣技職人才國際就業力;在台中分公司成立「數位體驗暨技術應用中心」,提供工具機製造廠先進數位化解決方案體驗與教育訓練。 .永續能源:提供台灣電力公司智慧電表管理系統EnergyIP,優化電力傳輸效率和供電品質,因應2022年前全台逾300萬個智慧電表的管理和確保再生能源電力傳輸的穩定。 .智慧基礎建設:臺北南山廣場採用西門子數位化建築解決方案,降低大樓能耗和營運成本,榮獲「亞太地區智慧綠建築暨系統產品獎」肯定;空軍佳山洞庫系統和台北捷運環狀線採用西門子智慧建築管理平台,建構可靠穩定的環境控制系統,都獲得公共工程金質獎肯定;西門子攜手合作夥伴贏得桃園捷運綠線機電系統統包案,提供先進軌道交通科技(Trainguard MT通訊式列車控制系統與列車牽引系統、直流牽引供電系統以及智慧捷運號誌系統),打造全台最先進的智慧捷運系統。   2019財年,西門子將繼續深化在未來製造、永續能源、智慧基礎建設三大領域業務發展,預計將在台灣推動成立物聯網使用者組織MindSphere World,結合產官學專家打造工業物聯網生態鏈。並將在台中智慧製造試營運場域完成「數位化體驗暨研發中心」的初步建置。同時也將進駐「亞洲‧矽谷」計畫桃園市虎頭山物聯網創新基地,展示西門子最先進數位科技,提供產官學研各單位技術交流和學習,並將與產官學啟動交流合作,協助台灣全面落實人工智慧於產業中的應用與普及,共創2020+ AI新世代。 西門子內部人士表示,該公司其實在AI領域已經投入很多年,但西門子的企業文化是保守的,技術沒有成熟到一定程度之前,絕對不會讓它從實驗室走出來,變成賣給客戶的產品或解決方案。事實上,西門子在2018年發表MindSphere物聯網平台的時候,公司內部就有相關爭議,因為當時MindSphere的功能跟技術成熟度,還沒有達到西門子產品向來的高標準要求。但軟體跟物聯網的產品不能等到產品完美了才推出,而是在產品推出後不斷迭代,逐漸強化跟改良。AI的情況也是類似,西門子的研發走得很前面,但如果沒有十分把握,是不會公開討論其進展的。這是一個需要時間慢慢改變的企業文化。
0

碁仕科技將於台北及台中舉辦AI駭客松工作坊

AI人工智慧是表面瑕疵檢查與圖像辨識的最佳解決方案,可解決傳統機器視覺演算法無法辨識複雜影像的問題。碁仕科技將於3月28日及29日分別在台北華南銀行國際會議中心和台中台灣科學園區同業公會舉辦台灣首見的AI駭客松工作坊,透過SuaKIT上機演練及分組討論,讓與會人員親自體驗SuaKIT影像檢測的優勢和AI影像辨識的無限可能, 本場活動也將邀請AI視覺檢測成功導入SAMSUNG、LG等大廠的全球專業AI視覺檢測軟體公司SUALAB來台,由全球市場行銷總監Mr. Hongsuk Lee介紹SuaKIT AI影像檢測軟體,並分享SuaKIT在各產業的成功應用案例。 本次駭客松工作坊不限軟體工程師,亦歡迎有興趣導入AI視覺檢測軟體的專案管理者來參加,不過因活動型態及人數考量,本活動採審核制,報名網頁為www.g4.com
0

從集中到分散的AIoT運算 邊緣運算優化深度學習網路

AI人工智慧的浪潮一波波襲來,帶動雲端儲存、大數據分析等新商機崛起,但隨著更大量、即時的資料吞吐量,傳統雲端架構已逐漸無法負荷如此龐大的運算需求。邊緣運算(Edge Computing)有助於降低傳統雲端架構的運算負荷、提升邊緣端的數據與資料處理能力,大幅改善運算效率以及數據應用。根據研究機構預估,2018~2022年全球邊緣運算相關市場規模的年複合成長率將超過30%,吸引許多廠商競相投入布局。 與雲端運算相較,邊緣運算更加無所不在,不僅應用領域廣泛,產業投資較小,也與台灣產業型態更加契合,邊緣運算將因為物聯網(IoT)蓬勃發展,扮演更明確、更高價值的角色,該技術可以處理複雜的工作,也可以負擔簡化的運算,端視它配置的運算資源和分析軟體,如果邊緣裝置無法立即處理,還是可以透過雲端來接手。本次活動邀請相關技術領域的研究單位與廠商擔任講師,剖析邊緣運算架構、專用加速硬體、產業發展趨勢與應用前景。 從集中到分散式的運算結構 物聯網發展與成長迅速,相關裝置更是高度成長,產業研究機構資策會MIC研究指出,全球具自主反應功能的IoT主動式裝置(Active Device)在2015年時共有129億個,其後一路成長至2020年將突破212億個,2025年時預計進一步成長至342億個。資策會MIC資深產業分析師兼專案經理施柏榮(圖1)說,以具備IoT功能來加以區分,預計2021年,具有IoT功能的主動式裝置已達50%,2025年預計達到62%,顯示全球有愈來愈多的裝置具備數據感測、資料蒐集、資料互聯的功能。 圖1 資策會MIC資深產業分析師兼專案經理施柏榮說,邊緣運算發展之下,AIoT裝置將具備數據感測、資料蒐集、資料互聯的功能。 再者,全球主動式IoT裝置數量2015年,約有28億個,2019年為IoT裝置數量首次超過全球人口總數的年份,2020年更將挑戰100億個大關,2025年則預計達到215億個,是2020年的兩倍之多(圖2)。施柏榮認為,全球人均IoT數量(全球平均每人所擁有的IoT裝置),2020年為1.3個、2025年將達2.69個,意味著當年全球每人將有近三個能夠蒐集環境數據的裝置或設備,與人類的日常生活更加密不可分。 圖2 全球人口與主動式IoT裝置數量發展趨勢 資料來源:資策會MIC整理(12/2018) 物聯網的發展將產生資料的洪流,數據的處理與使用成為未來幾年亟需解決的問題,施柏榮指出,終端設備所處的位置,將產生不同類型的數據使用情境。而邊緣人工智慧(Edge AI)是在物聯網邊緣位置上,執行機器學習推論(ML Inference)並處理來自終端的數據與資訊的運算服務,達到降低雲端負載、終端立即回應的效果。 邊緣運算的重點在調整過去雲端運算的集中式(Centralized)結構,轉變為以分散式(Distributed)運算為核心,賦予近終端的節點,也可以進行運算、分析、決策等功能,施柏榮強調,除了解決網路壅塞,資料處理延遲等問題,邊緣運算並非是要取代雲端運算的功能,而是重新定義、優化雲的架構。Edge AI的運作在Cloud、Edge、Thing之間皆產生非常緊密的交換與連繫,彈性化架構是運作的重點。 邊霧運算強化雲端彈性 若以技術發展的角度來觀察,邊際情境智慧(Edge Intelligence via Ambient Computing),定義上就是遠離雲端而靠近面對消費者的裝置那一端,須具備一定的運算與智慧產生能力,能就近處理感測所產生的資料。資策會物聯應用系統中心副主任王秉豐表示,既有雲端架構無法滿足物聯網離線處理、資料隱私、即時回應等需求,導入邊霧運算架構可解決雲端運算面臨的問題,增加使用彈性,解決不同系統間資源共享與再利用的需求。 邊霧運算的技術架構有幾個特色,包括:多樣性與異質性的挑戰,可以通過服務和設備的抽象層來解決;應用程序和資源管理緊密合作,提供複雜的互聯網服務,並自適應地分配邊緣/霧端資源;邊緣資源註冊、識別和控制介面,將是改善網路和服務可擴展性的方法。 而邊霧系統架構未來幾年的發展將遭遇挑戰,王秉豐說明,包括可擴展性(Scalability)、複雜的互連網(Complex Inter-networking)、動態和適應(Dynamics and Adaptation)、多樣性與異構性(Diversity and Heterogeneity)等,邊霧運算將建構更彈性化的IaaS基礎架構,改變既有數據傳輸、儲存模式甚至網路運算計價模式。 邊緣運算應用多樣廣泛 而從應用的角度來觀察,AI將深入各行各業、各個角落,根據產業研究機構資策會MIC研究指出,AI將成為基盤性技術,全球人工智慧的科技支出,2016年約為4.5億美元,但預計於2020年達到192.8億美元、2021年更將突破達到289.6億美元,顯示全球公私領域皆將人工智慧視為科技研發投入的重點,並將逐漸導入應用以強化自身競爭力。 資策會董一志提到,AI應用無遠弗屆,穿戴式裝置就是典型的邊緣裝置,智慧手環與手表的功能有:健身計步、睡眠偵測、心律測量、精準定位等,隨著消費者需求的成長,最新的Apple Watch已經導入跌倒偵測,類似的個人健康與保健功能將持續出現在各式智慧穿戴裝置,並結合更多AI邊緣運算的技術,達成隱私、即時與智慧化的需求。 邊緣運算專用晶片引發卡位戰 AI的熱潮在過去幾年帶動雲端運算的高度成長,同時也帶動資料中心用的記憶體、處理器(High Performance Computing)、高頻寬傳輸介面等的發展,而方興未艾的邊緣運算,也促使晶片廠商大舉投入相關的專用加速硬體的開發,安馳科技專案副理謝秉志(圖3)表示,嵌入式的機器學習(Machine Learning)解決方案有幾個特性,透過軟/硬體可配置特性因應快速變化的深度學習網路,而且可以針對高效能與低功耗彈性調整,支援深度學習網路任意精度的調整,並以即時運算創造低延遲,在不同的應用上可以彈性的進行差異化。 圖3 安馳科技專案副理謝秉志指出,使用深度壓縮(Deep Compression)工具可以有效提升深度學習網路的效率,改善效能。 可編程元件一向以彈性化的配置見長,在AI應用上,依然延續這類特點,而為了節省運算資源,可以支援最小1bit的資料寬度INT 1運算,跟32位元的運算比起來,可以大幅節省硬體資源。而在深度學習網路中,剪枝(Pruning)也成為邊緣運算的發展重點,透過演算法簡化網路的複雜度,將影響學習準確性較小的節點刪除,讓深度學習網路模型可以被裁剪為結構精簡的模型,且網路修剪前與修剪後維持相似效率。 使用深度壓縮(Deep Compression)工具可以有效提升深度學習網路的效率,謝秉志進一步說明,深度學習網路整體效能將獲得改善,大致說來,可將網路節點縮減成1/3,資料傳輸的頻寬需求剩下1/10,網路模型規模剩下1/10,運算效能提升3倍。 而目前在AI領域領先的GPU大廠NVIDIA,同樣看好邊緣運算的發展,也提出轉移式學習(Transfer Learning)工具,該公司技術行銷經理蘇家興(圖4)指出,這是一個將整體網路優化的工具,流程上是先提出已訓練過的模型,加入新的資料,透過轉移式學習的流程,包括剪枝、場景改編(Scene Adaptation)、重新編碼,最後可以產生一個高精度符合應用場景的模型。網路剪枝不是只有縮減模型的複雜度,而是優化整個深度學習網路,經過轉移式學習流程後,模型可縮小6.5倍,但網路效率可以提升2倍。 圖4 NVIDIA技術行銷經理蘇家興說明,網路剪枝不是只有縮減模型的複雜度,而是優化整個深度學習網路,縮小模型並提升網路效率。 深度學習優化有撇步 目前網路上開放共享的深度學習網路模型很多,如何利用別人已經訓練好的模型來達成自己的目標,逢甲大學電子工程系副教授陳冠宏(圖5)建議,可以先看這些模型跟自己的訓練目標有沒有一致,如果差距不大就可以透過剪枝、截斷(Truncation)、權重分類(Quantization)這些方法,加入自身的情境,讓這些網路經過壓縮之後,可以更加符合自身的應用情境,節省訓練的步驟。若是這些訓練好的模型分類與應用不符,則深度學習網路模型就需要重新訓練。 圖5 逢甲大學電子工程系副教授陳冠宏建議,透過剪枝、截斷(Truncation)、權重分類(Quantization)可以讓AI訓練更有效率。 AI的訓練與推論耗費許多運算資源,因此將AI放在邊緣如何提升效能,且不犧牲太多準確率,成為邊緣運算的發展重心,陳冠宏認為,模型壓縮、高平行性(High...
0

第一屆MATLAB深度學習競賽參賽隊伍逾90組

AI人工智慧科技百花齊放,無人科技應用正熱門。為培養台灣人工智慧技術人才,美國工程軟體研發大廠MathWorks公司與其在台灣業務總代理鈦思科技特別舉辦「第一屆MATLAB深度學習競賽」,並與國內研究機構權威工業技術研究院合作,以無人商店自動結帳系統作為應用主題,利用MATLAB的深度學習技術,以實際之企業應用作為實戰練習題目,鼓勵及提升國內人工智慧技術人才的培育。競賽總獎金新台幣二十萬元,開放報名至今已有超過90組團隊報名參加,參加人數超過200人。 無人零售商店國內業者都在積極搶攻,然而如何避免無人商店淪為口號噱頭,準確、快速辨識的結帳系統,以及利用AI科技增進消費在店內愉悅的購物經驗是最大的技術關鍵。在現階段,深度學習技術被廣泛視為處理辨識任務最有效的方法,它以類似人類深層神經網路(Deep Neural Network)的架構為基礎,來訓練和分析資料特徵,以讓機器學習如何自動辨識與分類。 MathWorks公司與鈦思科技主辦『MATLAB深度學習競賽』將模擬無人商店結帳系統的情境,參賽者將須開發相機中的辨識演算法,辨識零售商店常見的105項指定商品,由主辦方驗證辨識準確率,準確率最高者為優勝。
0

ST神經網路開發工具推動Edge AI運作

意法半導體(STMicroelectronics, ST)藉由STM32系列微控制器的市場領導地位,擴展了STM32微控制器開發生態系統STM32CubeMX,其增加了先進的人工智慧(Artificial Intelligence, AI)功能。 AI技術使用經過訓練的人工神經網路對動態和振動感測器、環境傳感器、麥克風和圖像感測器的數據訊號進行分類,相較傳統以手動處理訊號的方法更加快速、高效。 意法半導體微控制器和數位整合電路產品部總裁Claude Dardanne表示,ST的新型神經網路開發工具正在將AI導入採用微控制器的智慧邊緣和節點設備,以及物聯網、智慧大樓、工業和醫療應用中的深度嵌入式設備。 現在開發人員可以使用STM32Cube.AI將預先訓練的神經網路轉換成可在STM32微控制器上運作的C程式碼,以及經過優化的函數庫。 STM32Cube.AI附帶即用型軟體功能包,其中包括用於識別人類活動和音頻情境分類的範例代碼,可在ST SensorTile參考板和ST BLE Sensor行動App立即使用這些範例程式碼。 ST合作夥伴計畫、人工智慧,以及機器學習(Machine Learning, ML)專用社群:STM32線上社群內的合作夥伴將為開發人員提供技術支援,例如,工程服務。
0

人工智慧技術引發各領域AI投資熱潮

人工智慧(AI)將深入各行各業、個個角落,根據產業研究機構資策會MIC研究指出,AI將成為基盤性技術,全球人工智慧的科技支出,2016年約為4.5億美元,但預計於2020年達到192.8億美元、2021年更將突破達到289.6億美元,顯示全球公私領域皆將人工智慧視為科技研發投入的重點,並將逐漸導入應用以強化自身競爭力。 另外,全球人工智慧已在許多領域展現影響力,以應用類型的營收為例,資策會MIC認為,2016~2025年其累計收入最大者為靜態圖像標記與分類,產業規模達80億9780萬美元,其次為演算法交易策略75億4050萬美元,而性能提升則能創造73億6640萬美元商業價值,其他如病患數據處理提升、預測性維護、物件辨識等都有不錯的商業價值,顯現AI正在逐步改變各種基盤性技術。 再者,商業營運、生產流程等也將試著由人工智慧的導入,來提升營運的效率。全球自動化與人工智慧商業支出中,投入最高比重智慧化流程自動化(Intelligence Process Automation)顯示出部分廠商投入人工智慧主要的目的在於改善現有的生產流程;其次,則為機器人流程自動化,並且有比例擴張的情況,顯示未來生產流程中將有更多的機器人,而人工智慧則可導入進行最佳化應用。  
0

AI商機/挑戰並存 半導體材料突破將成重點

人工智慧(AI)大行其道,但若要執行相關演算法或模型,需要大量運算能力,因此對半導體產業而言,AI固然蘊含龐大商機,但同時也帶來許多挑戰。在摩爾定律(Moore's Law)逐漸失效,晶片業者不再只能倚靠電路微縮來實現效能更高、成本更低的晶片之際,AI運算需求所帶來的挑戰更形艱鉅。美商應用材料(應材)認為,為了回應這些AI帶來的挑戰,在產業生態面,半導體產業的風貌將從上下游關係分明的直線鏈條轉變成互相交錯的產業網路;在技術面,則必須在運算架構、設計結構、材料、微縮方法與先進封裝這五大領域提出新的對策,而材料工程將在這中間扮演最核心的角色。 美商應用材料副總裁暨台灣區總裁余定陸認為,對整個半導體產業來說,AI是一個完美風暴,但同時也是完美的商機。我們正面臨有史以來最大的AI大戰,不論是傳統科技領導大廠、新創公司或軟體公司,都投入大量的資源、押寶不同的技術領域、聚焦應用的客製化及最佳化,專注於硬體的設計以及投資發展。在電腦運算處理器部分,人工智慧需要大量、快速的記憶體存取及平行運算,才能提升巨量資料處理能力,這時繪圖處理器(GPU)及張量處理器(TPU)會比傳統運算架構更適合處理人工智慧的應用。 為了使人工智慧潛力完全開發,其效能/功耗比(Performance/Watt)需比目前方案提高1,000倍 ,已成為現階段技術層面亟需突破的關鍵。 另一方面,為了應對大量資料跟高速運算需求,儲存資料用的記憶體、用來傳輸資料的高速介面技術等,也有許多可以發揮跟探索的空間。過去幾年,NAND Flash已經率先從2D走向3D,接下來還有許多新興記憶體蓄勢待發。先進封裝技術的推陳出新,讓異質整合成為可能,不僅讓晶片業者可以在單一封裝內整合更多功能,同時也讓資料傳輸的速度大為提升。 而在整個半導體產業面臨如此重大變化之際,市場對半導體產品的需求其實沒有太大改變。對半導體使用者、客戶來說,最注重的還是晶片的效能(Performance)、功耗(Power)、面積成本(Area Cost, AC),也就是應材常說的PPAC這三大指標。為了滿足客戶對產品的需求,應材認為,材料科學的突破是最關鍵的。 隨著晶片的結構越來越複雜,半導體製程發展的挑戰變得更為艱鉅。但如果在材料科學方面能有新的突破,將可協助半導體製造商解決不少問題。例如在晶片內數量越來越多的矽穿孔(TSV),必須精準地打在正確的位置上,否則就會形成短路。但以現在的製程方法,要確保TSV的位置正確,是相當有挑戰性的課題。為此,應材已發展出可以自動對位的新材料跟對應製程方法,可協助半導體製造業者解決這項難題。 最後,為了應對未來的挑戰,半導體產業的運作模式也必須跟著改變。當今的半導體產業上下游都是以直線型的方式來運作,互連性十分薄弱,但未來必須以神經網路形態(Neuromorphic)的思維,進行平行發展與學習,運用互連加速創新。每家廠商不只要面對客戶,以後還要跟客戶的客戶、客戶的夥伴攜手合作,才能發展出符合客戶需求的產品跟解決方案。
0

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。
0

ML提升機器視覺應用彈性 SI業務發展路更寬

機器視覺在製造業應用存在已久,但過去的機器視覺本質上是以規則為基礎的專家系統(Rule-based Expert System),不具備自主學習的能力,能處理的問題範疇也較為專一。這也使得機器視覺的系統整合商(SI)規模普遍不大,但在特定領域有非常深厚的技術累積。以機器學習(ML)為基礎的機器視覺系統,則可能改變這個產業風貌,讓SI更容易跨入不同領域。 研華網路暨通訊事業群資深協理林俊杰指出,機器視覺在製造業應用已經有相當長的一段歷史,且隨著檢測對象不同,分化出許多次領域,例如針對電子元件、電路板的自動化光學檢測(AOI)、針對產品組裝的視覺校準/對位,乃至成品/半成品的外觀瑕疵檢測等,都可以歸類於機器視覺的範疇。但現有機器視覺系統的核心,多半是以規則為基礎的軟體程式,當工業相機拍攝到過去從未見過的影像,取得的特徵值無法對應回既有的軟體系統時,就會很容易出現誤判或無法識別。 這使得機器視覺系統的設計規畫跟布署,變成一項非常仰賴專家的工作。唯有針對某一類應用有深入研究,並且累積了大量經驗的SI,才能寫出符合生產線需求機器視覺軟體。而且,某個特定領域的專家,要跨到其他機器視覺的領域,也不是那麼容易的事情。 基於機器學習(ML)的機器視覺,則是完全不同的典範。一套辨識模型或演算法,經過不同的資料集訓練,就可以辨識出不同型態的圖樣,而且隨著工業相機取得的影像資料越多,累積的訓練資料增加,系統辨識的準確度還有機會進一步改善。 另一方面,對機器視覺SI業者而言,基於ML的視覺系統還有更容易跨領域應用的優勢。例如一個經過訓練的免洗杯辨識演算法,只要稍加調整跟再訓練,就可以用來辨識不同種類的杯子,例如玻璃杯、馬克杯,因為這些杯子都有一些共通的特徵值。如果是傳統的機器視覺軟體,開發過程就得從頭來過。 不過,對大多數基於機器學習的系統來說,訓練資料的數量跟品質,還是許多開發者所面臨的最大難題,基於機器學習的機器視覺也不例外。現在許多網路大廠都已經提供雲端訓練工具,因此,開發者要訓練自己的模型,門檻已經比以往大為降低,但要取得足夠且高品質的訓練資料集,還是要投入很多資源。 近幾年中國掀起人工智慧熱潮,也促成一個新的行業--資料標籤公司誕生,但這些專門提供資料標籤建置的服務業者,通常沒有足夠的能力處理工業製程中所拍攝的影像。舉例來說,金屬加工件的邊緣出現毛邊,但程度要多嚴重才應該被判定不良品,就只有那個行業的老師傅能準確判斷,不在該行業的標籤建置人員很難做好這項工作。因此,即便是採用機器學習技術,SI想要跨到新的領域,還是有一定門檻要跨過。 此外,目前機器學習最理想的開發平台是GPU,因為GPU有最好的軟體適應性,設計迭代最方便,但如果是要布署到生產現場,GPU可能就不是那麼理想,因為GPU的功耗較高,有時還是需要搭配主動式散熱。但很多生產現場是不允許散熱風扇存在的,例如烤漆作業區,因為環境裡有粉塵,不只容易導致風扇故障,萬一有火花產生,還有可能引發爆炸。 相較之下,FPGA是比較適合布署在現場的運算硬體平台,但FPGA的設計迭代過程比GPU耗時,軟體修改後,硬體描述語言(HDL)也要跟著調整,才能實現最佳化。因此,機器視覺系統要改以機器學習為基礎,並大量普及到工業現場,還需要一些時間來醞釀。但整體來說,因為以機器學習為基礎的機器視覺,對各種應用情境的適應能力較佳,因此長期來看,SI或軟體開發者應該還是會逐漸轉向機器學習。  
0
- Advertisement -
- Advertisement -

最新文章

- Advertisement -

熱門文章

- Advertisement -

編輯推薦

- Advertisement -