解決方案
2020/08/17
AIoT智能應用-人工智慧
人工智慧(Artificial Intelligence)發展始於1950年代,但早期發展受限於計算機軟、硬體效能而無法展現具體價值,直至近期因計算機運算速度(Compute)、運算法則(Algorithm)、大量數位數據(Data)等關鍵因素長足發展成熟的搭配下,而逐漸展現出具體實用價值,如1997年IBM深藍擊敗西洋棋王卡斯巴羅夫、2016年AlphaGo(深度學習)擊敗圍棋世界冠軍李世乭、2017年德州撲克賽人工智慧贏了人腦、圍棋天才柯潔不敵AlphaGo(三局完敗稱臣)等。

經過實證發現,人工智慧確實在分類、預測、分群、辨識、搜尋、推薦等領域上可比擬人腦,甚或更具精準性與速度性,尤其是在機器學習、深度學習等分支技術領域上表現更為明顯突出,而已廣泛實用於人臉辨識(自動通關、門禁、監控影片搜尋)、異常偵測(信用卡盜用、網路入侵、醫學影像)、預測(信用核准、目標行銷、顧客流失、股市漲跌、 河川氾濫)、自駕車、對話機器人、疾病診斷輔助等。

深度學習運作原理

深度學習關鍵技術-深度神經網路(Deep Neural Network, DNN)演算法是模仿生物神經系統的數學模型,透過大量數據蒐集與資料標記,反覆訓練調整數學模型,以建構成具高準確度的數學模型來解決辨識、預測、分類等問題。深度學習重點在於資料訓練(Training),需要足夠且標記正確的資料集(數據)、並搭配快速建構、訓練、調整模型的高效能軟、硬體(運算能力)。

深度學習開發應用的挑戰

  • 模型開發過程(設計、訓練、演算、強化)非常繁複耗時。
  • 模型訓練的軟、硬體基礎架構成本極高。
  • 模型開發流程(資料集收集、清理、標記、數據增強,模型選擇、設計、超參數調整、訓練、評估分析、壓縮、轉換和部署)和訓練環境複雜。

深度學習訓練系統 

深度學習訓練系統適用於採經濟實惠模式建立深度學習模型開發環境,並簡化加速(設計、訓練、演算、強化)作業的應用。

功能特性:
  • 高性價比的軟、硬體整合式DNN訓練架構,可搭配商用X86伺服器運作。
  • 直覺圖形化、引導式使用者介面讓DNN模型開發和訓練過程(資料集收集、清理、標記、數據增強,模型選擇、設計、超參數調整、訓練、評估分析、壓縮、轉換和部署) 更便利。
  • 全方位整合模型訓練功能且內建搭載優化DNN訓練技術。
  • 內建資料集管理功能,支援多種資料集格式(如Cifar10、KITTI、COCO、ChestXray等)。
  • 內建模型訓練效能最佳化機制(GPU 溫度管理與監控、GPU記憶體使用最佳化、自動超參數調校等)。