<div class="field field-name-field-news-column-category field-type-taxonomy-term-reference field-label-hidden"><div class="field-items"><div class="field-item even"><a href="/tags/%E6%96%B0%E8%81%9E">新聞</a></div></div></div><div class="field field-name-body field-type-text-with-summary field-label-hidden"><div class="field-items"><div class="field-item even"> <h3><span style="vertical-align: top; color: rgb(0, 0, 255);">重點新聞(1129~1205)</span></h3>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);">GAN </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> MarioNETte </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 影像生成 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>變臉不必再靠GAN!韓國發表MarioNETte來以假亂真</strong></span></p>
<p>韓國科技公司Hyperconnect發表一套新框架MarioNETte,只要幾張(甚至是單張)A臉影像,就可產生出B臉的新動態表情,打破過去生成對抗網路(GAN)的限制。研究團隊指出,過去,生成以假亂真的人臉動態表情,多半是透過GAN,將A臉的表情,合成到B臉上。由於是兩張不同的臉,GAN至少需要數分鐘的訓練資料才能完成,此外,還有可能發生身分配對錯誤、訓練資料太少而失敗的問題。</p>
<p>於是,團隊想出一個辦法,利用影像注意力機制和目標特徵對齊方法,在產生新影像的時候,就直接放入目標臉的特徵。此外,團隊還設計出新穎的特徵轉換器(Landmark transformer),以非監督方式調整身分配對錯誤的問題,因此不需要額外的標註資料。這個方法,只需要幾張A臉的影像,甚至是單張,就能用來生成擁有A表情的B臉,甚至不需要微調。後來,團隊也將MarioNETte與SOTA等級的模型相比,結果顯示,在大多數測試下,MarioNETte的表現高於現有的SOTA模型。<a href="https://arxiv.org/pdf/1911.08139.pdf">(詳全文)</a></p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/Screenshot%202019-12-07%2000_36_49.png" /></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Gartner </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 數位分身 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 十大趨勢 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>Gartner在臺揭露明年十大策略科技趨勢,籲CIO善用RPA與數位分身</strong></span></p>
<p>國際研究暨顧問機構Gartner在臺揭露2020年十大策略科技趨勢預測,包括超自動化、自動化物件、專業知識全民化、透明化與可溯性 、AI安全性,以及分散式雲端、更強大的邊緣運算、人體感知強化、多重體驗,以及實用性區塊鏈等。其中,Gartner大中華地區資深合夥人龔培元建議,為進一步加深數位轉型,臺灣CIO應著重超自動化,先是利用RPA,串聯起不支援API的老舊系統,達到任務自動化後,再透過智慧企業管理系統(iBMPs),執行流程自動化。接下來,則是利用AI等技術,打造企業組織的數位分身(也就是一個虛擬的企業),再利用實際取得的營運數據,來模擬各項業務表現,再將模擬產出的資訊,作為實際營運的參考,形成數位化營運。<a href="https://www.ithome.com.tw/news/134617">(詳全文)</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Google </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 肺部病灶 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 裁決標籤 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>Google訓練出可判讀多種肺部X光片病徵的AI,也一併釋出裁決標籤</strong></span></p>
<p>Google日前發表深度學習模型,可判斷胸部X光片中四項臨床重要的肺部病灶,分別是氣胸、結節和腫塊、骨折以及氣腔陰影,而且判斷的精確度與放射科醫生相當。Google利用兩個未經辨識的影像資料集,包括阿波羅醫院胸部X光片,以及美國國家衛生研究院的ChestX-ray14影像資料集,總共約60萬張X光片影像。</p>
<p>由於數量龐大,無法人工一一標註,Google另外開發了文字深度學習模型,從去識別化的X光報告中擷取關鍵字,當作影像的加標籤,同時還由放射科醫生檢視37,000張圖片,來提高標籤品質。這個深度學習模型的精確度與放射科醫生相當,而且能發現放射科醫生一致忽略的特徵。<a href="https://ai.googleblog.com/2019/12/developing-deep-learning-models-for.html">(詳全文)</a></p>
<p><img alt="" src="https://1.bp.blogspot.com/-jdOG79Vjguw/XeaMf9IHsBI/AAAAAAAAE-s/g6j9MWdloAUum4qh7HLohqulFO-C5dZjwCLcBGAsYHQ/s640/image1.png" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 紐約大學 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 乳癌 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> ResNet </span></strong></span></p>
<p><span style="font-size:22px;"><strong>精準度Up!紐約大學用CNN來改善乳癌X光片判讀</strong></span></p>
<p>紐約大學訓練深度卷積神經網路(CNN),用來判讀乳房X光片、找出病徵,其精準度還高於單個放射科醫生。為訓練乳癌判讀模型,紐約大學首先建立了乳癌篩檢資料集,內含100多萬張乳房X光片。再來,由於乳房X光片解析度高,礙於GPU記憶體限制,團隊調整了模型架構,建了一套較輕的22層ResNet模型。另外,團隊也訓練了50層的ResNet-50模型來分類圖片補丁(Patch),而非整個乳房X光照片,來偵測局部病變特徵。未來計畫將AI模型整合至乳癌篩檢流程。 <a href="https://news.developer.nvidia.com/nyu-using-neural-networks-to-improve-radiologist-performance-in-breast-cancer-screening/">(詳全文)</a></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);">Nvidia </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 聯合學習 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 資料隱私 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>Nvidia推出聯合學習應用程式Clara FL,可共享模型不分享患者資料</strong></span></p>
<p>Nvidia日前在北美放射學會(RSNA)上,推出分散式AI模型訓練應用程式Clara Federated Learning(FL,聯合學習),使用者可在本地端的Nvidia EGX伺服器上執行模型訓練,而訓練好的結果,會傳送到聯合學習伺服器,與其他共同開發者分享。Nvidia指出,這個作法只會分享模型權重變動的內容,不會分享患者資料,因此能保障病患隱私。美國放射學會、麻省總醫院和加州大學洛杉磯分校附屬醫療中心等機構也將採用這個技術。<a href="https://blogs.nvidia.com/blog/2019/12/01/clara-federated-learning/">(詳全文)</a></p>
<p><img alt="" src="https://blogs.nvidia.com/wp-content/uploads/2019/12/Clara-Federated-Learning_graphic-1280x638.png" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">AWS </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Kubernetes </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 機器學習 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>AWS讓用戶以自定義資源在K8s叢集部署SageMaker機器學習 </strong></span></p>
<p>AWS機器學習服務Amazon SageMaker推出3種支援Kubernetes的Operator,可在Kubernetes叢集上部署,作為其自定義資源,來執行機器學習模型訓練、調校和預測工作。目前這項服務在美東、美西和歐洲等地提供。目前提供訓練、調校和預測3個Operators,每個Operator都可讓用戶透過Kubernetes API或kubectl等命令列工具,以原生方式建立與操作工作負載;企業工程人員也可以直接使用這些Operators,在Kubernetes中為資料科學家建構自動化程式、工具以及自定義介面,而不需維護底層的機器學習基礎設施。<a href="https://aws.amazon.com/tw/blogs/machine-learning/introducing-amazon-sagemaker-operators-for-kubernetes/">(詳全文)</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">美國能源部 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> HPE </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> AI Ops </span></strong></span></p>
<p><span style="font-size:22px;"><strong>美國能源部要用AI Ops自動管理資料中心,鎖定異常預警和節能</strong></span></p>
<p>美國能源部國家再生能源實驗室(NREL)宣布聯手HPE,展開AI Ops研發專案,要透過AI來自動調整資料中心的彈性復原力與能源使用率,來因應百萬兆級(Exascale)的運算需求。</p>
<p>這個專案為期三年,NREL要透過這個專案,在自家HPC資料中心的電力與散熱系統中,導入異常預警模型。進一步來說,NERL的兩臺超級電腦Peregrine和Eagle,以及實驗室設備中的感測器等,在過去五年收集了16TB的資料,而NREL要利用這些資料,來訓練異常偵測模型。</p>
<p>另一方面,NREL也將透過這個專案,來解決資料中心的用水、用電需求。美國資料中心的用電量預計在明年達到730億度(kWh),用水量也將達到1740億加侖。因此,NREL鎖定能源使用效率、水利用效率和二氧化碳利用效益等衡量指標,利用歷史資料訓練AI模型,來自動調節能源使用,來達到最佳的能源效率和永續性。<a href="https://www.hpe.com/us/en/newsroom/press-release/2019/11/HPE-tackles-AI-Ops-R-D-to-improve-energy-efficiency-sustainability-and-resiliency-in-data-centers.html">(詳全文)</a></p>
<p>圖片來源/Google、Nvidia、Hyperconnect</p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> AI趨勢近期新聞 </span></strong></span></p>
<p><strong>1. LINE商用AI要進臺灣了</strong></p>
<p><strong>2. 甲骨文推出全球首款自主作業系統Oracle Autonomous Linux</strong></p>
<p><strong>3. AWS推出自家程式碼導師CodeGuru,替用戶揪出浪費運算資源的程式碼</strong></p>
<p><strong>4. 搶攻製造業IT、OT整合需求,IBM聯手臺灣多家SI廠商合推智慧製造整合服務</strong></p>
<p>資料來源:iThome整理,2019年12月</p>
</div></div></div>