<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(0122～0128)</span></h3>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 自駕系統 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> MSF演算法 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> FusionRipper </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>自駕上路出現鬼飄移？加州大學揭露自駕車定位AI演算法有漏洞</strong></span></p>
<p>全球吹起自駕風，Google Waymo One和百度Apollo Go就分別在美國和中國，提供高度自駕的Level 4自駕計程車服務。這種高度自駕的系統，不只要能感知周遭障礙物，還要能以公分等級的精確度，在地圖上定位自己。這種定位對自駕車來說至關重要，因為定錯位會導致開錯車道或走錯路。</p>
<p>這種定位系統的關鍵是MSF演算法，也就是融合多種感測器資訊的演算法，早期用來防範GPS干擾攻擊（GPS Spoofing），但現在卻少有人討論它在自駕車的安全性。</p>
<p>於是，加州大學Irvine分校研究了MSF演算法用於自駕車的安全性，發現MSF演算法雖能有效防止GPS干擾攻擊，但卻有個致命缺陷，也就是接管漏洞（Take-over vulnerability）。因此，團隊設計一套新式的通用攻擊FusionRipper，來評估它對MSF演算法的影響。</p>
<p>FusionRipper分為兩階段攻擊，首先是觀察漏洞出現的時機，再來藉機干擾。團隊發現，在Trace-based實驗和模擬測試中，FusionRipper的成功機率分別是97％和91.3％，都能讓自駕車偏離道路。目前，團隊已與29家自駕車業者聯絡，有17家開始調查，1家開始修復。<a href="https://arxiv.org/pdf/2006.10318.pdf">（詳全文）</a></p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/pic.PNG" /></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> ImageNet </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 胸部X光片 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> SaMD </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>吳恩達花4年學到的一件事：ImageNet預訓練表現越好，並不會讓DL模型更擅長X光判讀</strong></span></p>
<p>4年前，AI大師吳恩達帶領史丹佛大學團隊，打造出讓人驚豔的醫療AI模型CheXNet，可在胸部X光片上標出肺炎病灶，準確度高過放射科醫生。4年後，用來偵測胸部X光片的深度學習（DL）模型，大多靠遷移學習來完成訓練，也就是先以大型資料集ImageNet來預訓練，再用少量醫療資料來訓練、優化模型。這就是假定ImageNet預訓練模型的參數，可讓模型表現更好，而且用ImageNet訓練出的模型架構，一定更會判讀胸部X光片。</p>
<p>不過，吳恩達與史丹佛大學學生發現，事實並非如此。他們用16種熱門的CNN模型和CheXpert資料集中的5種X光片判讀任務，來評估ImageNet遷移學習和參數效率，這些模型包括DenseNet、ResNet、Inception、MNASNet和EfficientNet。</p>
<p>他們得出4個結論：首先，不管有沒有預訓練，模型在ImageNet上的表現和在CheXpert的表現，都沒有任何關聯，也就是說，以ImageNet改善的架構，並不會改善模型在胸部X光片的判讀表現。再來，在沒有預訓練的情況下，模型家族類別其實比模型大小，更容易影響表現；第三，ImageNet預訓練可提升整體架構性能，特別是小型模型架構。最後，若捨棄ImageNet預訓練模型的最終層數，來縮小模型，在統計學上並不影響模型X光判讀表現，且平均可提高3.25倍的參數效率。<a href="https://arxiv.org/pdf/2101.06871.pdf">（詳全文）</a></p>
<p><img alt="" src="https://pbs.twimg.com/media/EsFat0AVoAEYwK-?format=jpg&name=small" style="width: 559px; height: 559px;" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> MLaaS </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 電商 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 模型穩定性 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>林守德：訓練數據難完美，MLaaS要支援數千個模型，不斷反覆建模是最大挑戰</strong></span></p>
<p>為了加快開發和翻新AI應用的速度，來因應快速變化的顧客行為，越來越多企業開始建置自家的機器學習即服務（MLaaS），將機器學習模型變成一個容易重複利用的服務架構。</p>
<p>不過，Appier首席資料科學家林守德指出，打造MLaaS的挑戰是模型建構。通常，ML的模型研發多聚焦於單一模型的設計，也就是用一組數據來訓練模型，再用測試數據來預測。但現實狀況是，為滿足真實世界中不斷變動的顧客需求，企業用來訓練和測試的數據不能清楚地一分為二，因為，今天用來測試的數據，很可能成為明天用來訓練的數據。除了來源不完整，訓練資料也存在一定的偏見，比如，用來訓練推薦模型的數據，通常來自另一個推薦系統蒐集到的反饋；正因為訓練模型的數據存有另一個模型的影子，偏見不可能消失。</p>
<p>此外，用來預測結果的數據，非常複雜。以電商為例，常見的用戶旅程是點擊商品、查看商品、加入購物車、購買商品，但系統紀錄的軌跡並非如此簡單。因為，消費者可能在不同設備上多次查看某件商品，也可能將商品從購物車移除後，再重新加入，甚至，得知用戶是否購買，會比取得其點擊或瀏覽的數據更加困難，因為顧客可能在別的平臺上結帳。</p>
<p>因此，模型訓練數據不可能完美，也難以用完全乾淨的資料來預測。林守德認為，對打造MLaaS的企業來說，每天得維持數千個模型在線上提供服務，且須不斷再訓練模型、更新數據，好讓模型因應現實中不斷變化的任務。也就是說，模型開發者不僅要完善模型自動訓練的流程，還得確保模型發生局部誤差的機率接近零，才能持續滿足客戶的業務目標。他總結，這是非常有挑戰的任務，需仰賴不斷的投資、研究和實驗才能辦到。<a href="https://www.appier.com/zh-hant/blog/machine-learning-as-a-service/#utm_source=ithome&utm_medium=PR_article1_1_2020&utm_campaign=MLaaS">（詳全文）</a></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 文字生成 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 表格文字 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> ToTTo </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>如何讓NLG更精準？Google最新NLG表格文字資料集有方法</strong></span></p>
<p>Google近日發布一套表格轉文字的自然語言生成（NLG）資料集ToTTo，以新穎的標註方法和特殊的文字生成任務所打造，可用來評估NLG模型幻覺程度（Hallucination，也就是模型產生出可讀的文字，但不忠於源語），幫助NLG模型產生更精準的文字。</p>
<p>Google指出，過去幾年，NLG研究有長足的進展，比如文字摘要。雖然NLG類神經網路系統能以流暢的文字表達，但仍會產生幻覺，讓這些系統難以用於講究文字精確性的領域。為改善這個問題，Google用結構化表格，來評估生成文字是否終於源語，並要求註釋者分階段修改現有維基百科的句子，讓句子乾淨又自然。</p>
<p>進一步來說，ToTTo目前有121,000個訓練樣本，還有7,500個用於開發、測試的樣本，也就是除了多組表格和相對應的文字，還有一系列受控的生成任務，該任務會提供維基百科表格和一組選定的資料格，作為生成摘要的材料。由於ToTTo資料集擁有高精確性的標註，因此很適合當作Benchmark，用來測試高精確文字生成研究成果。目前，ToTTo資料集和程式碼已於GitHub上開源。<a href="https://ai.googleblog.com/2021/01/totto-controlled-table-to-text.html">（詳全文）</a></p>
<p><img alt="" src="https://1.bp.blogspot.com/-cLmDPneHYnU/YAHUEKzCirI/AAAAAAAAHBQ/SAM8Qj1ra5E3y5pzKKhsDLMkf0wDuXqogCLcBGAsYHQ/w640-h328/image4%2B%25282%2529.jpg" style="width: 612px; height: 314px;" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 臉書 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 文字生成 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 圖片說明 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>臉書AI不只解讀圖片，還能唸給視障同胞聽</strong></span></p>
<p>為讓視障同胞更理解圖片內容，臉書改善了用來說明圖片的自動替代文字（AAT）技術，將能偵測和辨識的概念擴大10倍，可對更多類型的圖片加上描述，而且描述也多了許多細節，包括相對位置、主要和次要物體等額外資訊。</p>
<p>臉書在2016年導入AAT技術，透過影像辨識來產生照片描述，讓視障同胞也能理解臉書上的圖片。而這次改版，可生成相對位置資訊等額外描述，比如，過去照片描述可能簡單地以一棟房子和一座山，來描述風景優美的照片，而新AAT技術能夠強調山和房子的相對大小，來強調山才是照片中的主體。</p>
<p>這次新模型採弱監督方法，以數十億張Instagram公開照片和Hashtag組成的資料訓練而成，有別於過往的監督式學習。臉書也微調模型，從所有地理位置採樣訓練用照片和多種語言的主題標籤，同時，臉書還評估了性別、膚色和年齡來評估概念，讓模型更加準確。新版AAT模型可辨識1,200多種概念，是2016年版本的10倍多，即便AAT模型僅會提供高閾值的結果，但仍存在誤差，因此臉書會在每個描述的開頭，都加上「可能」字樣。<a href="https://tech.fb.com/how-facebook-is-using-ai-to-improve-photo-descriptions-for-people-who-are-blind-or-visually-impaired/">（詳全文）</a></p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/FB.PNG" /></p>
<p>圖片來源／加州大學Irvine分校、史丹佛大學、Google、臉書</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. Amazon對外輸出Alexa技術，供企業打造客製化智慧助理</strong></p>
<p><strong>2. 臉書與紐約大學合作以AI預測COVID-19患者病情發展</strong></p>
<p>資料來源：iThome整理，2021年1月</p>
<div id="gtx-anchor" style="position: absolute; visibility: hidden; left: 84.9826px; top: 3006.63px; width: 193.205px; height: 14.4444px;"> </div>
<div aria-describedby="bubble-2" class="jfk-bubble gtx-bubble" role="alertdialog" style="visibility: visible; left: 166px; top: 2885px; opacity: 1;">
<div class="jfk-bubble-content-id" id="bubble-2">
<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-arrowdown" style="left: 161.483px;">
<div class="jfk-bubble-arrowimplbefore"> </div>
<div class="jfk-bubble-arrowimplafter"> </div>
</div>
</div>
</div></div></div>
