<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(1113~1119)</span></h3>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);">AI人才 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 德國新創 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 資料科學家 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>如何成為AI專家?德國AI新創超詳細AI人才養成藍圖3周就獲得GitHub 5,300顆星大推</strong></span></p>
<p>AI在日常生活中的角色不斷擴大,企業和社群也不斷尋找方法,來學習AI知識、跟上產業趨勢。最近,德國一家軟體新創AMAI設計了一套互動式的AI專家藍圖(AI Expert Roadmap),將AI專家分為五大類,如資料科學家、機器學習專家等,並根據每一類提供所需的技能和學習資源,像是附程式碼的論文、版本控制、更新日誌、經典類神經網路等,使用者也可客製化來設計自己所需的技能。</p>
<p>這份AI專家藍圖,本來是AMAI內部技術訓練指南,由於好評不斷,他們決定在GitHub上釋出,三周來已獲得5,300顆星星。AI專家藍圖涵蓋五大類專家養成途徑,包括資料科學、機器學習、深度學習、資料工程、大數據工程;在每個類別中,會以基礎知識和專業技能來區分,並提供相關的技能學習和資源連結,比如在深度學習類別中,就涵蓋了論文、類神經網路、架構、模型訓練、工具和模型優化等子集,使用者可透過子集中的模組資源來強化自己的知識。<a href="https://github.com/AMAI-GmbH/AI-Expert-Roadmap">(詳全文)</a></p>
<p><img alt="" src="https://d3jcp1umdd59vg.cloudfront.net/sites/default/files/images/%E6%93%B7%E5%8F%96(4).PNG" /></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> YOLOv4 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 物件追蹤</span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 中研院 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>以YOLOv4打敗Google還不夠,中研院還要組隊打造物件追蹤AI</strong></span></p>
<p>YOLOv4今年問世以來,不僅廣受全球AI社群討論,還打敗Google、AWS和臉書。開發YOLOv4關鍵技術的核心人物中研院資訊科學研究所所長廖弘源指出,YOLOv4在架構上,是以CSPDarkNet53為Backbone,來加強卷積網路的學習能力,而Neck部分則加入空間金字塔池化層(SPP)和PANet,前者用來強化接受區域(Receptive field)作用,能將最重要的特徵區分出來,後者則取代YOLOv3的FPN,在不同等級的偵測器中聚合參數。最後,在YOLOv4的Head,則採用YOLOv3。</p>
<p>廖弘源指出,YOLOv4在今年9月28日的MSCOCO物件偵測競賽中排名世界第一,打敗Google、AWS和臉書的類神經網路。「但這還不夠,」他現在還另組國家隊,鎖定物件追蹤AI,發豪語要打造全世界最好的追蹤器、再次打敗Google、AWS,拿下另一個世界第一。<a href="https://www.ithome.com.tw/news/141153">(詳全文)</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 資料集 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 3D物件 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> AR擴增實境 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>Google開源3D物件影片資料集Objectron</strong></span></p>
<p>Google日前開源一套物件影片資料集,涵蓋多種不同角度拍攝的物件影片,包括15,000個經標註的短片和400萬張經標註的物件影像,此外也包含AR詮釋資料(Metadata),像是鏡頭位置、稀疏點雲和平面,要來推動社群對3D物件幾何的理解,讓機器人應用、AR、自動化作業和圖片檢索等領域能有更多進展。</p>
<p>進一步來說,資料集的短片以物件為中心,透過鏡頭從不同角度拍攝;特別的是,為確保多元性,Google還從五大洲共10個國家來收集這些影片。資料集中的影片也附上人工標註的3D邊界框,來描述物件的位置、方向和尺寸比例等。除了資料集,Google也釋出3D物件偵測解決方案,涵蓋鞋子、椅子、馬克杯和相機等四大類,而其中的辨識模型就是以Ojectron資料集訓練而成,並在Google的開源框架MediaPipe上釋出。<a href="https://github.com/google-research-datasets/Objectron/">(詳全文)</a></p>
<p><img alt="" src="https://github.com/google-research-datasets/Objectron/raw/master/docs/images/objectron_samples.gif" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Transformer </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 測試基準 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> DeepMind </span></strong></span></p>
<p><span style="font-size:22px;"><strong>你的Transformer有效率嗎?來試試新的Benchmark:LRA </strong></span></p>
<p>Google研究院日前聯手DeepMind,發表一款專門測試Transformer長序列任務表現的測試基準(Benchmark)LRA。Transformer架構中的注意力機制,可辨識輸入值序列中複雜的依賴關係(Dependencies),這也是Transformer成為NLP和其他機器學習任務的首選。但是,Transformer一直有個缺點,也就是輸入序列中的token增加時,對內建記憶體的需求就會成四倍成長,因此要處理長序列任務就會耗費更多硬體資源。</p>
<p>LRA就是設計來評估Transformer處理長序列任務的效率,可用來評估模型執行文字、數學和視覺資料任務時的表現。LAR中包含了合成和現實的任務,像是Long ListOps、字節級文字分類、字節級文檔檢索、像素序列的影像分類等,這些任務序列所包含的token數量為1K至16K不等。<a href="https://github.com/google-research/long-range-arena">(詳全文)</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 國發會 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> AI發展機會 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 數位轉型 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>國發會:政府瞄準臺灣6大AI發展機會</strong></span></p>
<p>國發會主委龔明鑫日前於臺灣AI年會中表示,政府將瞄準臺灣6大AI應用機會。首先是Edge AI,隨著5G、AI發展,加速邊緣運算應用,臺灣以半導體優勢可全力發展AI晶片。第二是AIoT智慧城鄉,政府自2017年發展智慧城鄉應用,至今已有229項企業提案在國內場域試驗,下一步要擴散已成功驗證的智慧城鄉解決方案,政府也將輸出AIoT解決方案至東南亞、歐美等地。</p>
<p>第三是AI資安應用,AI將成為下世代資安防護的關鍵要素,而臺灣因國際情勢本身面臨頻繁的資安攻擊,也讓資安AI成為一大發展機會。第四項機會是醫療AI,因為臺灣自2年前開發推動醫療影像AI以來,已累積23億筆醫療影像資料,也有15個團隊參與醫療AI模型訓練。此外,臺灣25年健保巨量資料庫,也是醫療AI發展一大關鍵。而第五和第六項機會,則是自駕車與基礎建設的安全檢測,將得力於5G部署之後。<a href="https://www.ithome.com.tw/news/141109">(詳全文)</a></p>
<p><img alt="" src="https://d3jcp1umdd59vg.cloudfront.net/sites/default/files/styles/picture_size_large/public/field/image/img_2219.jpg?itok=Qb-3T0QO" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">Python</span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 微軟 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 程式語言 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>Python之父Guido van Rossum宣布加入微軟開發者團隊</strong></span></p>
<p>在1991年建置Python程式語言的Guido van Rossum,去年雖然宣布正式退休,但他日前在Twitter上表示,退休生活實在太無聊了,因此已經加入微軟開發者團隊,微軟也證實這項訊息。</p>
<p>Python程式語言為Rossum最為人所熟知的成就,根據RedMonk今年7月所公布的程式語言熱門排行榜,已經超過30歲的Python在排行榜上名列第二名,僅次於JavaScript,擊敗了Java、PHP或C++等。微軟曾承諾將協助Python社群成長,這次Rossum加入微軟開發者團隊,也是對該承諾的體現。<a href="https://twitter.com/gvanrossum/status/1326932991566700549">(詳全文)</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">LinkedIn </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 機器學習函式庫 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Dagli </span></strong></span></p>
<p><span style="font-size:22px;"><strong>LinkedIn釋出Java機器學習函式庫Dagli,簡化部署</strong></span></p>
<p>:LinkedIn在GitHub釋出容易使用,且不易產生臭蟲的Java機器學習函式庫Dagli,內含大量開箱即用的靜態模型,方便開發者建置機器學習應用。</p>
<p>而Dagli可解決模型技術債問題。Dagli是適用於Java和其他JVM語言的開源機器學習函式庫,開發者可用來編寫抗臭蟲、可讀、可修改、可維護且易於部署的模型工作流程,Dagli支援現代機器架構,高效使用多核CPU、GPU。此外,Dagli對資深和資淺的機器學習開發者十分友好,Dagli提供簡便的方法讓資深工程師擴充、以JVM技術進行推疊整合,對資淺的工程師來說,則有直觀的API讓使用者結合熟悉的JVM工具。最後,由於Dagli可將整個工作管線視為一個物件,進行序列化及反序列化,因此容易部署。<a href="https://engineering.linkedin.com/blog/2020/open-sourcing-dagli">(詳全文)</a></p>
<p><img alt="" src="https://content.linkedin.com/content/dam/engineering/site-assets/images/blog/posts/2020/11/dagli_1.svg" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">PyTorch </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Android </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 機器學習運算 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>PyTorch現可在Android裝置利用硬體加速機器學習運算</strong></span></p>
<p>PyTorch宣布支援Android神經網路API(NNAPI),代表深度學習框架PyTorch可在Android上得到硬體加速,來提高AI應用程式的運算效能,也意味著釋放更多CPU資源,來支援其他關鍵運算。</p>
<p>NNAPI是Android的底層API,目的是要ML應用程式能使用Android裝置的硬體加速器,像是GPU、DSP和NPU,但要使用還是需要大量的整合工作。這次PyTorch採用普通的TorchScript模型,訓練完後,開發者可將模型打包在Android應用程式中,或透過網路交付,以PyTorch Mobile的Java API或libtorch C++ API載入模型來執行。如果是PyTorch Mobile應用程式,開發者不需改變程式碼,只要將CPU模型更換為NNAPI模型即可。目前PyTorch支援NNAPI的版本,只提供線性卷積和MLP模型,也只能在Android 10或是以上裝置執行。<a href="https://medium.com/pytorch/pytorch-mobile-now-supports-android-nnapi-e2a2aeb74534">(詳全文)</a></p>
<p><img alt="" src="https://miro.medium.com/max/576/1*03Z542zXB0T9L9r5RuciWA.png" /></p>
<p>攝影/翁芊儒</p>
<p>圖片來源/AMAI、Google、LinkedIn、PyTorch</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.全球500大超級電腦Arm-based Fugaku蟬連王座,臺灣杉3 列183名</strong></p>
<p><strong>2. 勞動部職安署靠監視器AI小幫手來揪出未正確配戴裝備的勞工</strong></p>
<p><strong>3.國際頂級機器人年會CoRL 2020最佳論文已出爐</strong></p>
<p><strong>4. DeepMind開源環境模擬器Lab2D</strong></p>
<p>資料來源:iThome整理,2020年11月</p>
<div id="gtx-anchor" style="position: absolute; visibility: hidden; left: 293.333px; top: 144.514px; width: 364.333px; height: 14.4444px;"> </div>
<div aria-describedby="bubble-19" class="jfk-bubble gtx-bubble" role="alertdialog" style="visibility: visible; left: -204px; top: 169px; opacity: 1;">
<div class="jfk-bubble-content-id" id="bubble-19">
<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: 455.333px;">
<div class="jfk-bubble-arrowimplbefore"> </div>
<div class="jfk-bubble-arrowimplafter"> </div>
</div>
</div>
</div></div></div>