最新消息

作者：韓揚銘/資策會

一、前言

進入2020年，各國因疫情讓許多無接觸及自動化的商機大增，使得人工智慧適時應用於不同行業中顯得更為重要。各國調研機構也持續指出人工智慧影響著不同的新興科技，例如：IEEE提到人工智慧對於邊緣運算系統平台、認知能力、關鍵基礎設施等進展。Gartner指出人工智慧對自動化、邊緣運算、自主化物件、安全…等產業效益及注意事項。

二、人工智慧軟體框架持續改善

隨著深度學習實務獲得充分應用後，國際大廠及開源基金會，紛紛提出不同的深度學習框架，例如常見的TensorFlow、Caffee2、Pytorch、Mxnet等，而許多廠商以依循著大廠所提出的框架及方法進行程式和產品服務的開發。根據MIC的調查，2018、2019年是各框架更新次數最多的兩年，在各個框架在推出後，為了持續吸引更多開發者，不斷提出新算法的更新，當中更有不同的框架與不同的AI晶片商來合作，共同朝向邊緣端及終端所需要的功能。

三、聯邦學習打破資料孤島問題

深度學習雖適合解決較為複雜的任務，但相對應是也需要大量的資料收集後再做到點對點（End-to-End）的訓練。對此，在解決產業議題時，這時要求不同公司把資料提供出來的話，往往會有隱私或是意願的問題。為解決這樣的問題，近年在深度學習的訓練中，提供一種名為「聯邦式學習法」（Federated Learning）的方法進行訓練。聯邦式學習法的方法是一種運用加密的方式達到可分散又可集中學習效果的訓練法。在過程中，各地先針對自己所擁有的資料加以訓練，並把各自訓練的成果進行加密後傳至中央，中央再將結果進行整合後回傳模型給各地，各地再進行原有模型成果的更新，藉此可使用集中學習後的成果來做AI辨識。

四、人工智慧從研發財走向管理財

人工智慧的發展，往往與產業的應用緊密的結合。故不單只是嘗試把模型建立起來就好，對於這樣的模型如何跟現有的軟體流程相配合，並與現階段場域中的硬體系統相結合，都會是AI在導入上的問題。此外，對於人工智慧的模型在發展後，經常會隨著資料的收集，持續的需要關注模型的效果及對模型進行更新，讓人工智慧產業在發展上不單單只是模型建立，對人工智慧模型設計出來後，也需要思考如何部署、監控及版本管理和應用。

五、人工智慧規範及倫理監管愈演愈烈

為了避免人工智慧應用時出現不公平的對待，因此各國開始逐步針對人工智慧的穩健低風險、公平無偏見、透明可解釋度等議題提出討論或訂定規範。對於各國及國際大廠的大動作，顯示未來在人工智慧的監管規定會愈來愈具體及影響著指導人工智慧的發展。因此各企業在未來推動人工智慧服務的同時，必須要能先預省視是否符合人工智慧規範上的要求。

六、產業觀點與建議

由於大廠快速將人工智慧新興應用的框架及算法普及，讓大眾愈來愈容易取得及使用，使得整體應用大幅成長。相對的，人工智慧也由於大廠投入的資源多，以工具及算法的簡便性來主導市場的情況加深，故對於要以算法技術為主的公司逐漸面臨更大的競爭。

此外，全球環境快速變遷，在疫情的驅動下，產業驚覺需要快速進入自動化、智慧化的狀況，促使產業加速應用人工智慧進行產品智慧化、流程優化。然而，在人工智慧導入後，對於後續維護、管理議題也逐漸顯現出來，不論是對模型管理、上線後模型的效率及精準度表現，又或者是當有新資料後，對模型重新訓練時是否符合公平、沒偏見規範等問題。這都表示人工智慧在導入企業後，也必須對其決策流程、成果做出好的管理，否則看似帶來效益的人工智慧，也有可能在一夕之間變成破壞公司名聲或是流程的負資產。

完整內容請詳見：【產業技術評析】人工智慧技術及產業趨勢觀測