<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(0717～0723)</span></h3>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);">DeepMind </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 強化學習 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 演算法生成 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>DeepMind設計新方法，來自動產生強化學習演算法</strong></span></p>
<p>DeepMind近日在一篇論文中，揭露自行設計的後設學習（Meta learning）新方法，透過與環境互動，來產出更合適的強化學習演算法。團隊指出，強化學習能更新AI代理人（Agent）的參數，讓代理人表現更好，但這種更新通常得根據好幾年的研究，以人工方式從多種規則中，找出最佳規則。</p>
<p>DeepMind認為，自動從數據中找出新規則，能產出更有效率的演算法，或是更貼近特定環境。雖然已有相關研究來探討自動找規則，但仍無法解決一個問題，也就是找出強化學習基本概念的替代方法，比如價值函數或時間差分學習（TD Learning）。於是，DeepMind設計一套後設學習方法，藉著與環境互動來找出更新的規則，包括代理人該預測什麼（即價值函數）及如何從中學習（也就是自助抽樣法Bootstrap）。該方法的產出值就是一套強化學習演算法，DeepMind稱之為習得策略梯度（LPG）。後來，DeepMind用簡單的玩具環境來訓練LPG，結果發現訓練出的演算法，能泛化應用到複雜的Atari遊戲，並達到非平凡（Non trivial）表現。DeeepMind認為，這個新方法有潛力從數據中，自動產生通用的強化學習演算法。<a href="https://arxiv.org/pdf/2007.08794.pdf">（詳全文）</a></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 零售業 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 資料保護 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 微軟 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>瞄準零售資料保護需求，微軟更新AI防詐欺應用程式</strong></span></p>
<p>微軟在今年開發者大會中宣布更新Dynamics 365 Fraud Prevention防詐欺應用程式，並提供預覽版給用戶。微軟在今年5月推出防詐欺應用程式，專門鎖定零售業者，要來解決使用者帳號建立和管理問題，防止使用者惡意建立假帳號，趁交易時獲取機密資料。這次更新可分為兩部分，首先是帳戶防護（Account Protection）功能，可追蹤異常的帳戶活動、偵測假帳戶，也能讓零售商自定義評估細節，比如名稱、API路徑，以及特定事件的有效負載。再來是損失預防（Loss Prevention）功能，可根據全通路的購買紀錄，利用AI來偵測惡意退貨或不合理折扣等異常模式，讓零售商以此來降低損失。<a href="https://docs.microsoft.com/en-us/dynamics365/fraud-protection/overview">（詳全文）</a></p>
<p><img alt="" class="media-image img__fid__59648 img__view_mode__media_large attr__format__media_large" src="https://dynamics365cdn.azureedge.net/cvt-03cd5aefc20fc966ab517d4ac6e4cd2f9ab750fe4689a7f731c553b3d91a8f60/pictures/pages/ai/fraud-protection/try-panel.png" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 皮克斯 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> GAN </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 超高解析度 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>皮克斯用GAN來產生超高解析度電影畫面</strong></span></p>
<p>知名動畫電影公司皮克斯（Pixar）技術總監Vaibhav Vavilala日前揭露如何以對抗生成網路（GAN），來解決動畫影視業常面對的高畫質問題。他指出，為打造更好的視覺體驗，皮克斯常需渲染超高解析度（如2K或4K）的動畫。但這個做法耗時又耗成本，因為，光是渲染1幀2K超高解析度的畫面，就耗費50個GPU小時，對90分鐘的電影來說，團隊每秒需渲染24幀，如果是4K解析度，成本和時間就加倍了。</p>
<p>為解決問題，Vavilala決定先讓動畫團隊以較低的解析度來製作電影，再透過ML系統來提高解析度。不過，要教ML系統正確填入光影和顏色並不容易，所以Vavilala決定用善於生成的GAN。於是，他先設置了PyTorch開發環境，然後用皮克斯近期電影中，高、低解析度的影像來訓練模型。他指出，後來，製作團隊用這套系統，來把1K的畫面提高至2K品質，可以降低自家算圖農場5成至7成的處理成本。<a href="https://graphics.pixar.com/library/SuperResolution/paper.pdf">（詳全文）</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> AI超級電腦</span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Nvidia </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 佛羅里達大學 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>Nvidia聯手佛羅里達大學，要打造學術界最快AI超級電腦</strong></span></p>
<p>Nvidia近日聯手佛羅里達大學（UF），宣布要一起開發學術界最快的AI超級電腦計畫。進一步來說，Nvidia將以超級電腦DGX SuperPOD架構，來強化UF現有的超級電腦HiPerGator，效能將達700 Petaflops，預計明年正式上線。</p>
<p>UF指出，這套優化過的超級電腦，可為師生提供更好的AI運算工具，來幫助跨領域的研究如人口老化、個人化醫療、都市交通和食物安全等。<a href="https://blogs.nvidia.com/blog/2020/07/21/university-of-florida-nvidia-ai-supercomputer/">（詳全文）</a></p>
<div class="media_embed" height="546px" width="1180px">
<iframe allow="accelerometer; autoplay; encrypted-media; gyroscope; picture-in-picture" allowfullscreen="" frameborder="0" height="546px" src="https://www.youtube.com/embed/l87_dbz2VE8" width="1180px"></iframe></div>
<p> </p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 機器學習 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 手術排程 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 中國附醫 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>預計年底上線！中國附醫要靠ML精準預測422種手術時間</strong></span></p>
<p>中國附醫開發一套手術排程模型，可根據病患狀況，來準確預測手術所需的時間，目前已可預測25個科別、共422種手術的時間。這套模型能讓醫院能掌握手術室使用時間、提高利用率。中國附醫預計在今年底，將這套模型實際用於臨床手術排程。</p>
<p>為訓練模型，團隊收集了中國附醫2017年至2019年、共17萬筆EMR資料，也從70種參數中，選出重要的24種。接著，團隊用清洗過的11萬筆資料來訓練模型，再利用今年3、4月收集的7千多筆資料，來測試模型。團隊發現，XGBoost表現最好，其R2決定係數值可達0.85，已達臨床可用的程度。現在，團隊正將這套模型打造成一套手術排程系統，要在今年底前，實際應用於中國附醫的臨床手術排程。<a href="https://www.medrxiv.org/content/10.1101/2020.06.10.20127910v1?fbclid=IwAR1Q5R0Cm6icfqZ3BSo9D1q883HTD7aL-cTY7TSkniE2RUorYvQTKFpD17o">（詳全文）</a></p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/%E6%93%B7%E5%8F%96(23).JPG" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">Cloud 護理工作 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 醫療語音平臺 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 恩主公醫院 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>聽懂中英夾雜和專業術語，恩主公醫院醫療語音平臺95%準確率上線</strong></span></p>
<p>恩主公醫院日前揭露一款臨床醫療語音平臺，歷經兩年開發，不僅能聽懂護理專業術語，還能辨識中英夾雜語句。這款平臺搭配小型耳機和麥克風，護理師可以口說方式，來記錄護理工作內容、調閱資料，不必像過去，照護完患者後，還要回到護理站花2個小時輸入護理紀錄。</p>
<p>這套系統由恩主公醫院和緯創科技共同打造，為訓練語音辨識系統，緯創收集了2萬多條詞彙，接著與恩主公醫院設計了1,000個句子，由醫院8位護理人員來唸這些句子，再將這些語音用來訓練系統。完成後，這個平臺部署到醫院系統，讓護理人員直接在病床旁邊打開護理車上的系統，透過語音指令選擇要輸入的欄位，再說出照護資訊，系統就能自動輸入到欄位中。<a href="https://www.ithome.com.tw/news/138931?fbclid=IwAR2sPlDvpMIuvUuZNY-KecWhgsAVzxvFyzufFgnvgZljWVM-gyi5A2bOvTc">（詳全文）</a></p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/IMG_9056%20(1)(1).jpg" /></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;"> 低階基礎設施 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Copliot </span></strong></span></p>
<p><span style="font-size:22px;"><strong>不需手動管理低階基礎設施！AWS推出命令列工具Copilot </strong></span></p>
<p>AWS釋出新的ECS命令列工具AWS Copilot，用戶不再需要手動管理低階的基礎設施，就能在ECS上部署應用程式。AWS指出，要建立雲端應用程式架構，需考慮許多元件，比如VPC子網路、負載平衡器、部署工作流程和應用程式的永久儲存等。</p>
<p>而Copilot可處理這些細節，使用者只需提供Dockerfile，再加上幾個指令，Copilot就能在AWS上建立、啟動容器，並配置負載平衡器，甚至能建立CI/CD工作流程，當開發者將新的程式碼提交到儲存庫時，自動重新部署應用程式新版本。<a href="https://aws.amazon.com/tw/blogs/containers/introducing-aws-copilot/">（詳全文）</a></p>
<p><img alt="" src="https://d2908q01vomqb2.cloudfront.net/fe2ef495a1152561572949784c16bf23abb28057/2020/06/24/copilot-help.png" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">3D姿勢 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 運動員 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 紐約時報 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>用AI捕捉運動員3D姿勢，賽事報導更精準</strong></span></p>
<p>為改善體育賽事的報導方式，紐約時報用AI開發一套3D姿勢量測模型，從連拍相片中計算出體操選手的3D骨架，擷取肉眼容易漏看的姿勢細節，讓記者有更完整的資料，來報導運動員表現。</p>
<p>進一步來說，在比賽現場，紐約時報攝影師會從多個角度拍攝運動員，並用機器學習算出每個影格中的運動員2D姿勢，再以相機參數和三角化演算法，從2D姿勢回推3D姿勢，系統可從3D姿勢序列計算出旋轉速度、跳躍高度等評分指標。<a href="https://rd.nytimes.com/projects/estimating-3d-poses-of-athletes-at-live-sporting-events">（詳全文）</a></p>
<p><img alt="" src="https://rd.nytimes.com/static/fe7a9c4323794c8b89181e6e8ed6040f/d5b8e/cf58d489-5c10-4eb9-86a3-9c91a953b31f_6-inline6-BurstvsNonburst-2.webp" /></p>
<p>攝影／王若樸</p>
<p>圖片來源／中國附醫、微軟、Nvidia、AWS、紐約時報</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. 緯創集團攜手微軟成立創新產品辦公室，兩年將投五千萬元研發AI新產品</strong></p>
<p><strong>2. Google發布電商推薦工具公開預覽版</strong></p>
<p><strong>3. Roomality使用AI打造出人工窗景</strong></p>
<p><strong>4. Amazon推出深度學習語音模組Alexa Conversations公測版，開發所需的程式碼更少了！</strong></p>
<p>資料來源：iThome整理，2020年7月</p>
</div></div></div>
