科技新知

從生產力4.0 看物聯網與人工智慧發展

作者/張寶敏   [發表日期:2015/8/31]

前言

近年來隨著網路的快速發展,無所不在的終端設備與感測器進入我們的生活,加上雲端運算虛擬化技術與服務型商業模式的興起,讓電腦運算資源改以服務形式,經由網際網路直接取得,重新塑造資訊產業供應鏈,在這個潮流下,物聯網(Internet of Things,IoT)無疑是眼下最熱門的話題之一,隨著感測器的迅速普及,通過感測器收集的巨量資料(Big Data)經過雲端服務存儲及巨量資料的分析,以資料驅動服務價值,將是未來採用的技術創新,更是將引領下一個產業革命的典範轉移,成為未來企業新的商業模式。

物聯網與人工智慧

物聯網是一個基於互聯網、傳統電信網等資訊承載體,讓所有能夠被獨立尋址的普通物理對象實現互聯互通的網絡。物聯網一般為無線網,而由於每個人周圍的設備可以達到一千至五千個,所以物聯網可能要包含500兆至一千兆個物體。在物聯網上,每個人都可以應用電子標籤將真實的物體上網聯結,所以從物聯網的定義來看,智慧電話、可穿戴設備、汽車、住房、消費類電子產品、醫療設備、工廠設備等城市基礎設施,都可成為一個端點 (Thing),因此物聯網會產生巨量的資料。

另一方面自從IBM 的超級電腦 Watson 在 2011 年於在美國著名的知識答題節目「危險邊緣」,力挫兩位頂尖人類選手,成為當時冠軍,人工智慧再度受到各方的關注。Watson 具備自然語言理解能力,還具有語義分析的能力,能分清反諷,雙關等特定語言現象。而這是構築人工智慧的重要技術「機器學習」的進化應用。「機器學習」是從巨量的資料庫數據中探勘構造一個模型,定義不同的參數,而學習這件事就是讓這個模型以程式的方式執行,利用測試資料(Training Data)來調整最佳化這些參數,等到訓練樣本到一定的程度後,參數的定義也成熟了,這支程式就可以做預測。而隨著取得的資料愈來愈龐大,傳統的機器學習演算法行不通,必需要能夠自行學習知識而無須人工干預,這就是後來大家所熟知的深度學習領域。

對於物聯網領域來說,首先要做的事情就是讓設備可以連接,但是在設備連接上之後,人工智慧就變得很重要,因此單純使用網路將人和裝置連結是不夠的,關鍵是要擁有足夠的人工智慧,解析連結後帶來的巨量資料,才能不需要太多人力介入,就能產生具高附加價值的應用。

《圖一》IOT x Machine Learn (圖片來源 Microsoft)

物聯網與人工智慧應用

先舉兩個生活化的例子來看目前物聯網和人工智慧的應用。

首先來看Google的無人車,它控制駕駛原理是通過車子四周安裝的諸多感應器,持續不斷地收集車輛本身以及四周的各種精確數據,由車內的處理器進行分析和運算,再根據計算結果來控制車子行駛,並將所收集到的資料傳送到中央資料庫,提供給所有的無人車,因此每台無人車能不斷的從雲端更新資料庫,學習各種突發狀況,進而做出最佳的反應動作。

《圖二》Google 無人車(圖片來源 Google)

另一個例子是日本SoftBank 的智慧機器人Pepper,它除了機器本身的感應器、語音辨識之外,還搭載了「Emotion Engine」的情緒辨別系統,和SoftBank 為了此 Engine 所建立的雲端運算服務「Cocoro SB」,因此可以感知使用者的情緒並作出適合的舉動,並藉由此雲端運算自行學習情緒能力,未來計劃能夠作為醫療照護人員、兒童保母、老人照護或是商家店員等方面的運用。

《圖三》SoftBank Pepper (圖片來源 SoftBank)

除了實驗性質的測試外,在目前產業方面的運用,有在工廠設備的預測性維護和快速遠端診斷、商店、營運場所資料收集運用、農業結合氣候和地理等數據的運用等。

例如ThyssenKrupp Elevator 負責維護全球110萬部以上的電梯,他們使用物聯網服務,將 ThyssenKrupp 的電梯內數以千計的感應器和系統 (這些感應器和系統會監控從馬達溫度到樞軸對準、車廂速度和電梯門運作的一切事項) 連接到雲端。透過Microsoft Azure 機器學習服務,電梯所提供的資料會送到動態預測性模型中,並將這些資訊繪製到電腦和行動裝置上的可用儀表板上,以便即時檢視關鍵效能指標,透過預測性維護和快速遠端診斷功能提高可靠性,現在,電梯本身可以教導技術人員如何進行修理作業,因此可以大幅提高現場的效率,電梯的運行時間也會大幅增加。

或在醫療方面Kaiser Permanente使用行動技術為居家的病患提供遠端監控選擇,藉此提高病患的參與和便利性,同時為臨床醫生啟用更有效率的工具。他們正在測試將醫療設備 (例如血壓計、血糖儀和可穿戴的「手環」監控器) 連接到智慧型手機。智慧型手機會當做閘道裝置來運作,負責傳送資料給安全的雲端,以便與現有的分析以及可在 Kaiser Permanente 資料中心執行的資料視覺化程式整合在一起。臨床醫生可以透過中央儀表板存取這些資料,以獲得有關病患健康和活動狀況的全盤且幾近即時的了解,透過幾乎即時遠端監控重大生命跡象和自動警示,增強對病患的照護及提高他們的安全。

未來的趨勢

早期的人工智慧研究人員直接模仿人類進行逐步的推理,就像是玩棋盤遊戲或進行邏輯推理時人類的思考模式。到了1980和1990年代,利用機率和經濟學上的概念,人工智慧研究還發展了處理不確定或不完整的資訊,對於困難的問題,有可能需要大量的運算資源,也就是發生了「可能組合爆增」:當問題超過一定的規模時,電腦會需要天文數量級的記憶體或是運算時間,這些硬體設備的投資,不僅成本昂貴且對於使用者有著較高的技術門檻。

不過雲端、巨量資料、物聯網的發展,讓人工智慧研究得以進一步商品化,近年來我們不僅看到了用於精密檢測的機器視覺系統、用於裝配作業的初級智慧型機器人系統和用於微型電腦的自然語言介面以及各種專家系統,還在智慧家居、智慧大樓、車用系統等設備中得到了廣泛的應用。在一定程度上這些項目利用到了物聯網、巨量資料分析、人工智慧上的機器學習和自然語言理解等技術,但它又不像那些傳統人工智慧一樣,看了就讓人敬而遠之,似乎只是在實驗室中的產品,現在這些技術將普遍應用於生活家居、醫療照護、會計,預測疫情和犯罪等,都能透過IOT x 人工智慧幫忙。

企業的機會

很多人認為個人或中小型的企業要運用人工智慧技術發展業務是困難且昂貴的,但愈來愈多的業者像Microsoft Azure、Amazon AWS、IBM Watson Analytics等,都己經提供雲端機器學習的相關服務,讓開發團隊可以專注在資料的蒐集、要解決的問題、判斷要「學習」什麼問題,其它運算的工作就讓機器學習這個平台來完成,因此機器學習技術變的更易於使用、更便宜,因此經濟部工業局也提出了生產力4.0,一來透過物聯網與人工智慧,避免因為缺工問題而造成的產業危機,二來則是改善所有產業的生產力,如此,最困難昂貴的部份如網路、儲存體、機器學習等資源由雲端業者提供,我們不需投入昂貴的硬體設備,只要專注於IoT x人工智慧的應用,發展核心新事業,發現新的商業機會。

參考資料

1. 網住物聯網新契機(作者:IEK產業情報網蘇孟宗(Stephen Su);From:台灣區電機電子同業工會)
2. 從深藍到 Waston,計算機不再僅僅和人比智力了(作者:劉學文;From:ifar愛範兒網)
3. 維基百科/物聯網
4. Microsoft IoT-建立你的物聯網