AI趨勢周報第124期:整合產官學各界資源,全球最大機器可讀的武漢肺炎資料集開源釋出
<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(0313~0319)</span></h3> <p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);">艾倫AI研究院 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 武漢肺炎 </span></strong></span> <strong style="color: rgb(255, 255, 255);"><span style="background-color: rgb(51, 153, 255);"> 開放資料 </span></strong> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Kaggle挑戰賽 </span></strong></span></p> <p><span style="font-size: 22px;"><strong>AI2聯手微軟、白宮和美國國衛院,開源釋出武漢肺炎研究資料集</strong></span></p> <p>由微軟共同創辦人成立的艾倫AI研究院(AI2)聯手微軟研究院、白宮科技辦公室(OSTP)、美國國衛院(NIH)的國家醫學圖書館,以及其他組織,共同釋出武漢肺炎開放研究資料集COVID-19 Open Research Dataset(簡稱CORD-19),內含2萬9千多篇新型冠狀病毒相關研究論文,其中1萬3千多篇為全文可瀏覽。AI2表示,這是機器可讀的最大型新冠病毒語料庫,而釋出資料集的用意,是希望全球研究員可藉自然語言處理(NLP)技術和AI,從中找出新洞察,來對抗疫情。</p> <p>該資料集收錄同儕審核、正式刊登的論文,以及在bioRxiv、medRxiv等檔案收藏服務中的文章,且每周更新一次。此外,資料分析平臺Kaggle也舉辦了<a href="https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge">CORD-19挑戰賽</a>,已根據WHO新冠病毒研究藍圖和美國國科院研究主題,列出幾項關鍵問題,作為挑戰任務,每項任務的獎金為1,000美元。Kaggle希望藉此鼓勵開發者,找出對抗疫情的關鍵資訊。<a href="https://pages.semanticscholar.org/coronavirus-research">(詳全文)</a></p> <p><img alt="" src="https://s4.itho.me/sites/default/files/images/1(13).JPG" /></p> <p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> BERT </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 自然語言 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 模型評比 </span></strong></span></p> <p><span style="font-size: 22px;"><strong>哪款BERT比較優?BERTLang網站告訴你</strong></span></p> <p>義大利博科尼大學團隊日前發表BERT Lang Street網站和研究論文,要來幫開發者評比各種BERT語言模型和多重語言模型mBERT的效能。自2年前Google發表雙向編碼自然語言模型BERT以來,大幅改善自然語言理解能力寫下了自然語言處理(NLP)里程碑。之後,Google也利用104種語言的語料庫,訓練出多重語言模型mBERT,作為通用的語言理解模型。不過,現階段針對mBERT和各語言BERT模型的評比,幾乎沒有明確的比較。</p> <p>於是,博科尼大學團隊架設了BERTLang網站,來提供每個模型的架構和領域表現等評比。目前,團隊已針對18種語言、29項任務,測試了30個特定語言的BERT模型,也得到了177種測試結果。其中,在所有29項任務中,特定語言的BERT模型表現皆比mBERT要好。這些結果,都已公布於網站供開發者查詢。<a href="https://bertlang.unibocconi.it/">(詳全文)</a></p> <p><img alt="" src="https://s4.itho.me/sites/default/files/images/%E5%9C%961_BERTLang.JPG" /></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;"> 深度學習 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 行銷 </span></strong></span></p> <p><span style="font-size:22px;"><strong>目標打開DNN黑盒子!Google開源JAX函式庫Neural Tangents </strong></span></p> <p>Google日前<a href="https://github.com/google/neural-tangents">釋出JAX軟體函式庫Neural Tangents</a>,要來解開深度學習黑盒子。團隊指出,近來深度學習網路(DNN)在自然語言、對話代理等任務表現大幅進步,有人會懷疑,為何DNN參數過度設置,卻善於歸納?其中一個關鍵是,DNN的寬度增加時,模型表現就越規律、越容易理解。</p> <p>不過,要無限增加DNN寬度,仍有些挑戰,像是需要深厚的數學知識,且要對每個架構分別設計。為此,Google開源Neural Tangents,開發者可輕鬆定義、訓練和評估寬度無限(Infinite)的DNN;進一步來說,無限寬DNN是指,由架構決定內核函數的高斯過程(GP),而Neural Tangents可提供卷積、池化、殘差連接、非線性特性等組件,讓使用者建立類神經網路。Google實驗發現,有別於常規訓練,實驗模型的學習動力在封閉形式下,可完全控制,開發者更可藉此理解模型行為。<a href="https://ai.googleblog.com/2020/03/fast-and-easy-infinitely-wide-networks.html">(詳全文)</a></p> <p><img alt="" src="https://1.bp.blogspot.com/-m-_0Upoo_SA/XmvRoCmOKfI/AAAAAAAAFfI/V4yfx8WDBvgaAYdyaD2C8ZblkxNKCvcrwCLcBGAsYHQ/s640/1_640_50fps_FINAL_VERSION.gif" /></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;"> 立體物件辨識 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 行動裝置 </span></strong></span></p> <p><span style="font-size:22px;"><strong>行動裝置也可即時辨識3D物件!Google釋出辨識模型工作流程Objectron </strong></span></p> <p>Google物件辨識模型工作流程MediaPipe增加新的辨識流程Objectron,可即時在行動裝置上辨識3D物件。Google表示,目前成熟的影像辨識技術多半是2D物件辨識,也就是從畫面中,以邊界框(Bounding box)框出2D物件。但如果延伸到3D,就能了解物件的大小、位置和方向,更可運用至機器人、自駕車、圖片檢索和AR等領域。</p> <p>不過,要從平面影像辨識3D物件仍然有挑戰,比如缺乏訓練資料或多樣性等。為此,Google利用AR來建立3D資料集,並利用自家機器學習工作流程框架MediaPipe,來開發Objectron模型。Objectron可在畫面中,以3D邊界框框出常見的立體物件,並估算其大小、姿態。其中,為提高工作流程效率,系統每隔幾幀才會執行推論。Google也先釋出針對鞋類和椅子的Objectron辨識模型,未來要將辨識類別擴大至更多物件。<a href="https://ai.googleblog.com/2020/03/real-time-3d-object-detection-on-mobile.html">(詳全文)</a></p> <p><img alt="" src="https://1.bp.blogspot.com/-w77dN1K4gIw/XmhL3fZwmGI/AAAAAAAAFdw/EFiTotESgEwB6L_Z2HS82azRB5PgBYHzACLcBGAsYHQ/s640/Figure1.png" /></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;"> 量子運算 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 機器學習函式庫 </span></strong></span></p> <p><span style="font-size:22px;"><strong>整合量子運算和機器學習,量子機器學習函式庫TensorFlow Quantum正式開源</strong></span></p> <p>Google聯手滑鐵盧大學、X公司和福斯集團,共同釋出量子機器學習開源函式庫TensorFlow Quantum(TFQ)。該函式庫是TensorFlow的擴充,可結合量子運算和機器學習。</p> <p>TFQ底層整合了TensorFlow和雜訊中等規模量子(NISQ)演算法框架Cirq,其中,TFQ的關鍵功能在於可同時訓練、執行許多量子電路,這是因為,TensorFlow能在電腦叢集中平行化運算,也能在多核心電腦上模擬較大的量子電路。Google指出,未來目標是要讓TFQ能透過Cirq,在真正的量子處理器上執行量子電路,比如Google內部正在開發的Sycamore量子系統。<a href="https://www.tensorflow.org/quantum">(詳全文)</a></p> <p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">臺鐵管理局</span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 軌道扣件 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 影像辨識 </span></strong></span></p> <p><span style="font-size:22px;"><strong>夜間人工巡軌有新方法,臺鐵改導入AI自動揪出脫落的軌道扣件</strong></span></p> <p>臺鐵管理局聯手交通部運輸研究所,共同開發出軌道扣件缺失辨識系統,透過攝影機和深度學習軟體,來自動辨識鐵軌上的扣件安裝情況,輔助人工巡視作業。</p> <p>目前,臺鐵軌道扣件巡檢仍採夜間人工目視,但因目視角度和巡檢車車速問題,難以快速進行。於是,臺鐵與交通部運研所合作,選定特定鐵軌區間,來收集訓練影像資料。之後,團隊再以Yolo v3來訓練深度學習模型,來檢查軌道扣件是否脫落。此外,團隊也用GoPro,於夜間巡檢車時速30公里時,錄製70公里的軌道扣件影像,驗證模型辨識準確率為86.7%。雙方指出,未來還要進一步改善模型,最終要達到無人巡檢。另一方面,團隊也開發雲端功能,可透過Google地圖來定位扣件脫落之處,方便進行維修。<a href="https://www.iot.gov.tw/Modules/News/News-Details?node=62c75437-b0bb-40db-aa77-32e4fc325c3d&id=faf61072-5f96-4fdc-908a-b6200c2c8404">(詳全文)</a></p> <p><img alt="" src="https://www.iot.gov.tw/Modules/News/FileResource.axd?path=html%252Fimage%252F%25E6%2596%25B0%25E8%2581%259E%25E7%25A8%25BF%252F72.jpg" /></p> <p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">Pixel 4</span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 動作感知 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Google </span></strong></span></p> <p><span style="font-size:22px;"><strong>解密Pixel 4動作感知關鍵!記錄數百萬次手勢建立雷達解讀ML模型</strong></span></p> <p>Google日前揭露自家最新Pixel 4系列手機的Motion Sense技術,該技術讓用戶不需觸碰手機,就能隔空以手勢來控制音樂播放或靜音來電。這是因為,Motion Sense採用Soli短程雷達感測器和特別設計的機器學習演算法,來解讀Soli訊號。</p> <p>在手機頂端內建Soli天線,可處理時序性訊號,再輸入至Soli機器學習模型,來分類手勢。為訓練這套模型,團隊找來數千名志願者,記錄數百萬個手勢,並配對側錄的雷達訊號,來訓練模型。Google用TensorFlow訓練模型,同時也克服手機低電量的挑戰,發展特殊的訊號處理技術,來解決聲音震動對Soli系統的影響,使其能與周圍的通話元件共存。<a href="https://ai.googleblog.com/2020/03/soli-radar-based-perception-and.html">(詳全文)</a></p> <p><img alt="" src="https://1.bp.blogspot.com/-qcj2k3JjowI/XmbOP4iwlsI/AAAAAAAAFaA/mtJtGG_2lBw_kHEKnuQpReVjzExUPCQNACLcBGAsYHQ/s640/image3.png" /></p> <p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">模糊測試 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 基準測試 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> FuzzBench </span></strong></span></p> <p><span style="font-size:22px;"><strong>把關模糊器品質,Google開源釋出基準測試服務FuzzBench </strong></span></p> <p>Google日前<a href="https://github.com/google/fuzzbench">開源釋出模糊測試器(Fuzzer)的基準測試服務FuzzBench</a>,要來提供用戶嚴謹的模糊測試,降低採用障礙。模糊測試是一種抓臭蟲技術,透過自動或半自動產生另一個程式的亂資料,來測試程式可能出現的異常狀況。Google內部就用了不少模糊測試器如libFuzzer和AFL等,也揪出了數以萬計的臭蟲。</p> <p>雖然目前有許多模糊器的研究,但仍難以評估模糊器是否能實際派上用場。因此,Google的OSS-Fuzz團隊建立了FuzzBench,用戶只需不到50行程式碼,就能整合Fuzzer和FuzzBench,可進行24小時的實驗。之後,FuzzBench會根據實驗資料,深入分析並產生報告,來比較不同Fuzzer的效能,包括統計測試,讓用戶了解Fuzzer之間的效能差異。<a href="https://security.googleblog.com/2020/03/fuzzbench-fuzzer-benchmarking-as-service.html">(詳全文)</a></p> <p>圖片來源/TensorFlow、Sam's Club、微軟</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. Alphabet生醫研究子公司Verily正打造武漢肺炎分類工具</strong></p> <p><strong>2. Nvidia研究團隊用AI教機器人拿物品給人類</strong></p> <p><strong>3. 加州大學柏克萊分校發現新方法,可改善大型Transformer的訓練和推論</strong></p> <p><strong>4. Amazon自家無人商店科技上市開賣</strong></p> <p>資料來源:iThome整理,2020年3月</p> <div id="gtx-anchor" style="position: absolute; visibility: hidden; left: 20px; top: 124.514px; width: 1327.67px; height: 35.5556px;"> </div> <div aria-describedby="bubble-5" class="jfk-bubble gtx-bubble" role="alertdialog" style="visibility: visible; left: 5px; top: 171px; opacity: 1;"> <div class="jfk-bubble-content-id" id="bubble-5"> <div id="gtx-host" style="min-width: 200px; max-width: 400px;"> </div> </div> <div aria-label="Close" class="jfk-bubble-closebtn-id jfk-bubble-closebtn" role="button" tabindex="0"> </div> <div class="jfk-bubble-arrow-id jfk-bubble-arrow jfk-bubble-arrowup" style="left: 664px;"> <div class="jfk-bubble-arrowimplbefore"> </div> <div class="jfk-bubble-arrowimplafter"> </div> </div> </div> </div></div></div>