<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(0430~0506)</span></h3>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);">臉書 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 自監督學習 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Transformer </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>臉書新模型融合自監督和Transformer,不需標註資料還能揪出複製圖</strong></span></p>
<p>臉書聯手法國國家電腦科學研究院Inria,共同設計一套新訓練方法DINO,融合了自監督學習(Self-supervised learning)和Transformer的注意力機制優點,來訓練電腦視覺模型Vision Transformer(ViT),不需要標註資料就能完成訓練。用這個方法訓練出來的模型,能準確辨識圖片和影片中的物件,也能進行語意分割,完全不需標註資料。</p>
<p>臉書指出,近幾年AI突破性的成就來自兩大技術,也就是自監督學習和Transformer。自監督學習的好處是,AI模型能從未標註的資料中學習,省下標註所需的人力和時間成本。而Transformer的優點是,AI模型可從輸入值中,將注意力聚焦於所選的區域,來更有效率地推論。</p>
<p>於是,臉書結合這兩大技術,設計出DINO演算法。他們將自監督學習的兩大優點:老師網路(Momentum teacher)和多剪裁訓練(Multicrop training)整合到DINO框架中,來搭配ViT的自我注意力優勢。團隊發現,融合自監督學習和Transformer的DINO,對視覺世界的理解和人類很像,能辨識出物件的部分組成和圖片中的共同特徵;他們以ImageNet不同類別的影像來測試,發現DINO會以人能理解的方式,來分類影像,將相似的類別擺在一起。</p>
<p>這個方法,能讓模型快速執行k-NN分類任務,且不需要繁瑣的微調或學習分類器。在ImageNet的測試中,團隊也發現DINO比其他自監督學習模型還要好,而且,DINO還有能力識破複製圖和本尊的差異,未來可用於版權保護的偵測器上。<a href="https://ai.facebook.com/blog/dino-paws-computer-vision-with-self-supervised-transformers-and-10x-more-efficient-training/">(詳全文)</a></p>
<p><img alt="" src="https://scontent.ftpe7-4.fna.fbcdn.net/v/t39.2365-6/10000000_208749027394474_3359566853088796337_n.gif?_nc_cat=105&ccb=1-3&_nc_sid=ad8a9d&_nc_ohc=7mxnycNTONgAX_EkDT2&_nc_ht=scontent.ftpe7-4.fna&oh=413cb22a14cbf481abde7e55fb91ea6e&oe=60B6DBC7" /></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> AWS </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> DeepRacer </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 迷你賽車 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>擴大推廣AI賽車活動,AWS決定開源迷你賽車DeepRacer模擬器</strong></span></p>
<p>AWS宣布要開源迷你賽車DeepRacer的裝置軟體,開發者可進一步擴展DeepRacer功能,讓賽車裝置可執行更多行為。DeepRacer是一個雲端虛擬賽車模擬器,開發者可在雲端上訓練、調校ML模型,並載入到1/18大小的迷你自駕車,讓它在設計好的軌道中行駛,克服各種轉彎與直線道路組合。</p>
<p>DeepRacer所使用的機器作業系統ROS是用Ubuntu開發,而開源DeepRacer程式碼,可讓有Linux程式開發能力的開發者,創造出新的車輛用途,實現更多創意。開發者也可在社群媒體中,用#deepracerproject標籤分享自己的開發專案,AWS會將這些專案收集到DeepRacer GitHub Organization中,並在之後的部落格介紹。<a href="https://aws.amazon.com/tw/blogs/machine-learning/aws-deepracer-device-software-now-open-source/">(詳全文)</a></p>
<div class="media_embed" height="281px" width="500px">
<iframe allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture" allowfullscreen="" frameborder="0" height="281px" src="https://www.youtube.com/embed/8U9pSWYJt1E" title="YouTube video player" width="500px"></iframe></div>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> MIT </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 電腦視覺 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 材料壓力 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>MIT新材料分析AI工具,靠一張外觀照片就能估算出材料壓力</strong></span></p>
<p>麻省理工學院(MIT)開發一套AI,可用電腦視覺辨識材料內部結構圖,來快速計算材料部份特性,像是應力(Stress)與應變(Strain)值,省下繁瑣的物理計算。</p>
<p>MIT指出,一般來說,工程師需耗費大量時間來計算材料內力,就算有電腦輔助,還是會遇到長達數天甚至數月的模擬問題。為解決問題,研究團隊看上生成對抗網路(GAN),先使用上萬組圖像訓練網路,這些圖組由兩張圖組成,一張描繪材料內部在機械作用下的微觀結構,另一張則以顏色編碼標示該材料的應力和應變數值,讓AI網路反覆迭代,算出材料的幾何形狀和其所產生應力之間的關係。這個方法,讓AI只要看一張圖片,就能預測材質的內力,解決過去需要撰寫程式碼,求解偏微分方程式的麻煩。<a href="https://advances.sciencemag.org/content/7/15/eabd7416">(詳全文)</a></p>
<p><img alt="" src="https://advances.sciencemag.org/content/advances/7/15/eabd7416/F2.large.jpg?width=800&height=600&carousel=1" /></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 美國衛生部 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> AI策略 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 資料共享 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>美國衛生部揭露未來醫療AI布局</strong></span></p>
<p>美國衛生部AI長Oki Mek日前揭露美國衛生部未來醫療AI佈局,要執行今年1月提出的AI策略,共有4大目標,包括成立AI委員會和AI實踐社群、做好AI治理和法遵,以及建立沙盒,來衡量AI成效和成本。</p>
<p>進一步來說,美國衛生部一年有1.3兆美金預算,若以GDP排名來看,相當於全球第13大國。這個資金雄厚的衛生部,還有8萬多名職員來維持運作。在4大目標中,成立AI委員會的用意是做好AI發展所需的團隊合作。」再來,建立AI實踐社群是要交換AI實作心得、制定醫療AI規則,還要以此克服醫療AI的兩大難題,也就是資料取得和資料準備。</p>
<p>而第3個目標是要確保醫療AI不違背法規,比如資料隱私、資安、程式碼偏差等。最後一個目標則是建立研發能力R&D,除了要建立沙盒實驗環境,還要藉機集中化管理一些作業,比如AI工作管線(Pipeline)和框架,並將一些該去中心化的作業去中心化。Oki Mek更強調,衛生部也想藉AI策略,來改變人們不想分享資料的心態。「沒有資料,就沒有AI,」衛生部希望在合法的前提下,來與相關組織共享資料。<a href="https://gtc21.event.nvidia.com/media/Presenting%20US%20HHS%20Artificial%20Intelligence%20Strategy%202021%3A%20AI%20Mission%20and%20Ambition%20Commentary%20by%20the%20CAIO%20%5BS33249%5D/1_wd8gsyz1/204678483">(詳全文)</a></p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/Screen%20Shot%202021-05-01%20at%205_23_12%20PM.png" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 商之器 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> UDE App </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 醫療影像 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>商之器UDE App讓iPad Pro化身行動醫療影像伺服器,離線也能判讀影像</strong></span></p>
<p>國內從事醫療影像儲存與傳輸及雲端醫療平臺開發的商之器,近期展示一款UDE App,能將iPad Pro平板電腦當成行動醫療影像伺服器,可在離線狀態下檢視乳房攝影影像,並由AI模型來輔助揪出乳房腫瘤。這個做法,可將原本需要2周以上的篩檢流程縮短為1周左右,目前已有一家北部醫學中心準備採用。</p>
<p>這套UDE App不僅獲得美國FDA第二級認證,也通過臺灣TFDA認證。商之器解釋,這款乳癌判讀AI是去年與資策會聯手開發,結合iPad Pro內建的CoreML技術,即使不連網,也能即時進行AI判讀,商之器表示,今年不只在國內落地UDE App,還要推廣到國外。<a href="https://www.ithome.com.tw/news/144087">(詳全文)</a></p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/styles/picture_size_large/public/field/image/udeapp.jpg?itok=NHChxpPe" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">甲骨文</span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 分析雲 </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>甲骨文推出分析雲,強化ML可解釋性和自然語言搜尋資料特色</strong></span></p>
<p>甲骨文日前推出分析雲服務( Oracle Analytics Cloud),強化了機器學習(ML)模型的可解釋性,使用者可查看影響模型決策的原因說明,比如,銀行拒絕給特定對象申請貸款,使用者可查看占比最重的原因。此外,使用者也能手動微調模型,來查看產出結果和變化。</p>
<p>而且,甲骨文分析雲也採用自然語言處理(NLP)技術,讓使用者用說的或打字就能查找所需的資訊,分析雲也會以自然語言方式回答。這是因為,甲骨文自建一套自然語言生成(NLG)引擎,可根據問題來掃描資料、圖表等,再組成答案給使用者。目前,該功能支援28種語言。</p>
<p>除此之外,甲骨文分析雲還有其他特點,包括自動化資料前處理、文本分析、關聯分析、圖表分析和客製化的地圖分析。其中,自動化資料前處理的意思是,由內建的資料分析引擎來對使用者資料掃描、取樣,找出潛在的資料質量問題,並主動通知使用者,比如對信用卡資訊等敏感訊息進行混淆處理等。除了這些特點,甲骨文分析雲也推出行動版應用程式,使用者也能在行動版上使用這些功能。<a href="https://blogs.oracle.com/analytics/announcing-new-oracle-analytics-cloud-innovations">(詳全文)</a></p>
<p><img alt="" src="https://cdn.app.compendium.com/uploads/user/e7c690e8-6ff9-102a-ac6d-e4aebca50425/6a206fcb-afad-45e5-b430-01d4d1919cc6/Image/40d75ed9091174d61115eddbc2951687/ol_blog_image_3.png" /></p>
<p>攝影/蘇文彬</p>
<p>圖片來源/MIT、AW、臉書、Nvidia、商之器、甲骨文</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. 疫情升溫!AI Labs社交距離App告訴你防疫最佳距離</strong></p>
<p><strong>2. 臉書發表半監督式學習新模型,影像辨識表現再突破</strong></p>
<p>資料來源:iThome整理,2021年5月</p>
</div></div></div>