產業技術評析

一、Google透過推出AutoML宣布往AI民主化更推進一步
 

2018年1月18日，Google雲端人工智慧暨機器學習首席科學家李飛飛，透過Twitter宣布Google推出客製化的機器學習平台Cloud AutoML。被產業界視為Google往AI民主化（Democratizing AI）的一大步。
 

所謂的AI民主化，希望透過雲端運算服務，並簡化AI工具，讓AI技術可以迅速普及化，導入到各行各業，而不是只有少數企業可以使用的技術。李飛飛認為，AI技術近幾年已經快速從學術領域走向產業，成為各行業的驅動力，影響包含零售、媒體、文化、金融以及健康等領域，因此，AI的下一步，是降低進入門檻，而利用雲端服務業者提供的工具，提高計算力、標準化演算法、公開數據集以及提升人才能量，可以幫助實現AI民主化。
 

Cloud AutoML採用遷移學習（Transfer Learning）及神經架構搜尋（Neural Architecture Search）技術，利用多層卷積式神經網路中已經預先學習的神經元圖像，套用到新的分類目標中，達到快速訓練的目的。目前Cloud AutoML僅推出視覺工具包AutoML Vision，藉由Google已經預先訓練好的公開資料集ImageNet，達成簡化訓練的目標。
 

Cloud AutoML的主要功能在「分類」，而不是「標示」。相較先前推出的視覺辨識工具ML API，Cloud AutoML可以分類出物品的細分類。以辨識天空中的卷雲舉例，ML API中的Cloud Vision API可以標示出天空、雲、白天、藍色等關鍵字，卻無法進一步分類雲的種類，而Cloud AutoML在提供少量卷雲的標註資料後，就可以訓練機器辨識卷雲。因此，Cloud AutoML特別適用於辨識具專業知識的特定應用領域，即使對AI模型不熟悉的開發者，也可以很快的創造出圖形分類器，因而達到「AI民主化」的成效。
 

資料來源：Google Cloud，資策會MIC ITIS研究團隊(2018/4)。
圖1 Google發表Cloud AutoML協助訓練客製化的機器學習模型。
 

二、需要大量公開數據集作為背景，才能達成快速訓練的效果
 

目前Google Cloud AutoML只能針對視覺進行分類，而無法廣泛套用到所有的機器學習服務，如語音辨識、文字處理等，主要的原因是因為，該服務需要針對圖形辨識進行「預處理」，讓機器預先學習多層卷積式神經網路中的神經元圖像，再用遷移學習技術套用到新的分類中。而ImageNet等公開資料集，擁有上百萬張圖形，以及高品質的人工標註，因此適合圖形辨識的預處理，達到快速訓練的目的。
 

然而，語音辨識與文字處理，則會因為語言、文化、口音、領域，而產生地域性的差異，較不容易產生跨國的數據集。雖然Stanford大學之前曾採用Wikipedia內容，推出SQuAD問答資料集，但是此資料集只適用於問答的題型，且只有英文的資料。因此還不足以讓Google推出AutoML的語音、文字分類器。這也是目前技術的瓶頸。
 

三、在AI民主化趨勢下，未來雲端AI工具將朝更細緻化發展
 

雲端業者發展機器學習訓練工具，近年來成為雲端服務競爭的要件。雲端業者也積極提供從簡單到複雜的各種圖形辨識工具，希望能吸納更多不同技術層次的開發者，都可以找到合適的工具進行模型開發，以擴大客戶的範疇。Google在此趨勢下，其GCP雲端服務提供的AI工具，包含軟體工具服務與硬體基礎建設兩個層面。
 

GCP的軟體機器學習工具，ML API訴求想快速上手的開發者，然模型為通用型，開發者無法根據需求客製化。Cloud Machine Learning Engine底層參數眾多，模型彈性也增強，但需要專業人工智慧工程師才能快速上手。因此Cloud AutoML的出現，讓應用型的開發者可以快速產生圖形分類器，因而讓更多的人可接近AI，享受AI技術帶來的便利與好處。
 

Google也從硬體著手優化伺服器針對AI模型的運算效能。Google的硬體基礎設施，則包含CPU、GPU以及2018年2月份新推出的TPU服務，伺服器張量運算處理的能力增強，進一步縮短模型訓練所需要的時間。
 

四、雲端業者集中研發資源快速推出工具，將排擠提供工具技術的新創業者發展空間
 

雲端業者為了搶佔AI技術的領先地位，從2015年以快速推出相關工具進行布局。雖然嘉惠開發者，減輕開發者環境設定的負擔。然而，過去有些提供工具技術的新創業者，有可能因為大廠搶占了市場大餅，而影響了生存空間。
 

機器學習PaaS工具大者恆大，新創業者在這個領域已經不容易與大型雲端業者競爭。新創業者宜轉往特定應用領域發展，搶占領域專家的位置，以提高其競爭優勢。
 

(本文作者為資策會MIC執行產業技術基磐研究與知識服務計畫產業分析師)