AI趨勢周報第118期：史丹佛大學發表風格轉換工具ImagineNet，要來客製App介面樣式

重點新聞(0117～0123)

史丹佛大學     ImagineNet     App介面  

史丹佛大學發表風格轉換工具ImagineNet，要來客製App介面樣式

史丹佛大學日前發表一套類神經風格轉換模型（Style transfer model）ImagineNet，可讓使用者來客製手機App的圖形使用者介面（GUI）外觀樣式。團隊指出，雖然坊間有些App可讓使用者自行設定GUI樣式，像是LINE可以更換主題、Candy Crush可根據不同關卡更換背景等，但這些都有限度的客製化，因為，只要開發者修改App，使用者的客製設定就可能消失。

ImagineNet可依據使用者自選圖片，來重新設計App的介面外觀，並維持App的運作功能。ImagineNet採神經風格轉換模型，在原有公式中，加入新的損失項（Loss term），來降低CNN中輸入值和輸出影像的平方誤差（Squared error），盡可能保留原有App的特徵和新輸入的介面設置。為測試結果，團隊找來50位評審，來評估ImagineNet所產生的GUI外觀和其他工具產生的GUI外觀，結果顯示，全數評審皆認為ImagineNet產生的GUI效果最好。（詳全文）

  3D人體模型     CES    GenkiCam  

3D人體建模福音！哈佛大學釋出穿衣人體模型資料集3D People

哈佛大學聯手西班牙工業資訊研究院，鎖定電腦視覺的3D人體建模需求，共同釋出第一個穿衣人體模型資料集3D People，也一併開發外形參數演算法和多解析度深度GAN，來預測穿著衣服的人體體型。團隊指出，近來，3D人體外形預估技術讓人體建模越來越精準，但對建立不同衣著的人體模型來說，仍有很大的進步空間。

於是，團隊發表3D People資料集，提供穿著不同幾何衣著的人體模型。3D People共有250萬幀影像，其中包含執行70種動作的40位男性和40位女性，每位體型和衣著都不同。團隊用4個攝影機來拍攝這些人的動作序列，並提供不同的標註，包括RGB、3D骨架、人體和服裝語義遮罩、深度圖、光流（Optical flow），以及攝影機參數等。完整資料集現已開放下載。（詳全文）

  台塑     AI專案     影像辨識 

目標效益3億元！台塑全員推動120項AI專案

台塑董事長林健男日前揭露自家AI計畫，近年將仁武廠設為AI研發中心，逐步在各廠導入AI應用，更設定了120項AI專案，全數完成後將帶來3億元效益。

林健男指出，台塑目前已完成其中52項，涵蓋了產銷優化、品質確保、智慧保養、巡檢數位化、降低成本等五大面向。在品質確保方面，台塑以影像辨識AI來取代人工抽樣檢驗產品，找出品質異常原因的痛點，甚至提供最佳製程操作的建議值。比如，台塑碱場共有16,768支電解槽溢流管，若未即時察覺堵塞情況，會造成槽內高溫危險，但過去僅仰賴操作員每班巡檢兩次，無法全面檢驗，但透過影像辨識技術，每2秒就能自動檢驗異常。除了AI專案，台塑也在規畫建置供應商與客戶產業鏈AI作業平臺，來預估原物料與銷售量需求、品質良率預測與交貨物流分析等。（詳全文）

  科技部    邊緣AI       半導體 

科技部今年聚焦半導體三大類應用，涵蓋太空、量子電腦和邊緣AI

科技部部長陳良基日前宣布，今年要強化三大類半導體應用，包括太空技術、量子電腦，以及邊緣AI。就AI來說，科技部鎖定邊緣AI所需的即時、低功耗和高效能需求，要來強化晶片設計、先進製程、新材料和元件技術的發展，可望應用於智慧家庭、醫療、交通和農業等產業。

至於量子電腦，科技部指出，半導體是量子位元發展不可或缺的元素，相關技術如低溫矽基技術、量子位元電路設計、量子電腦次系統整合等，也會是未來的強化重點。（詳全文）

  Google    降雨預測    卷積網路  

不用物理模擬，Google靠機器學習就能即時預測降雨

Google日前揭露利用機器學習來即時預測天氣的進展，雖然目前仍在初期階段，但已能以1公里的預測解析度，來預報接下來6小時內的降雨，總延遲時間只有5到10分鐘。

不只如此，Google的機器學習預測方法，只需要雷達資料，不需任何物理模擬。團隊首先利用2017年到2019年的觀測資料，來訓練CNN，資料以4星期為一個單位，一個單位前3個星期的資料為訓練資料，第4周的資料用來評估。之後，團隊將自家的CNN方法，與HRRR、OF演算法和持續型模型等三個廣泛使用的快速預測模型相比，在精確度和召回率（Precision & Recall）上顯示，Google的預測結果明顯高於其他三個模型，但預測範圍在5、6小時後，HRRR的預測結果品質就會超越Google的機器學習方法。 （詳全文）

緯謙科技   交大     資料標註  

緯謙聯手交大，首發瞄準資料標註自動化來攻工業4.0

緯謙科技日前與交通大學簽署合作備忘錄，要結合交大在AI領域的研究，來開發符合產業需求的解決方案。緯謙表示，研發重點將聚焦於資料標註自動化，以及方案模組化，要改善產業上AI專案無法複製的痛點。

交大方面，將由電機系教授王蒞君領軍，團隊成員包括電機系助理教授帥宏翰、資工系副教授黃敬群，以及機械系副教授鄭中緯。王蒞君表示，初期將融入機器學習影像識別技術和自動標註功能，來設計設備行為預測、影像辨識、異常資料生成等方案，長期目標則希望發展跨領域應用。 （詳全文）

KPMG    演算法治理    決策錯誤 

KPMG：企業導入AI應建立起演算法治理框架，來降低模型決策錯誤的風險

KPMG安侯企業管理執行副總謝昀澤日前指出，企業應從大數據的正確性、演算法的可解釋性、運算效率三大面向來檢視AI決策模型，建立起受信任的AI機制，並提出一套演算法治理框架，給企業參考。

進一步來說，企業在導入AI時，可先決定AI應用策略並規畫治理藍圖，來把關AI導入流程。除了確保大數據的正確性，在演算法方面，應從整體生命周期來檢視，在設計就融入資安與隱私防護措施，也應在調校與測試時，進行演算法效能與安全分析，並確認是否滿足原始需求；部署後，更要隨時監控與優化AI模型，並確實推廣使用者安全與教育訓練。謝昀澤表示，以上的框架就是為了讓利害關係者，相信演算法能做出正確決定。（詳全文）

工研院     產學合作     工業4.0  

工研院大秀南臺灣產業轉型成果，以AI解決傳統工業排程問題

工研院鎖定工業4.0，日前展示南臺灣產學合作成果，包括與世豐螺絲合作開發的生產排程系統、提供水產養殖業的AI水質監控系統，以及導入光陽工業的剩餘里程數預測技術等。

就生產排程系統來說，工研院2年多前開始與世豐螺絲合作，一起開發生產規畫輔助系統，透過演算法來取代生產管理人員排程派工的流程。這套系統，利用螺絲款式的相似之處，比如螺絲長短、內外徑、頭型等，來自動安排需求相似的工單，減少傳統少量多樣訂單所需的換模次數。工研院表示，導入系統後，世豐已能將原先2,000多次的換模次數，減少到900多次，減少六成作業量。未來，雙方還要將排程系統擴大至熱處理、烤漆、電鍍等開發後製程。 （詳全文）

攝影／王若樸、翁芊儒

圖片來源／史丹佛大學、Google、哈佛大學

 AI趨勢近期新聞 

1. 電動機車市場崛起，光陽導入AI精準預測剩餘里程數

2. 人臉辨識業者Clearview AI提供30億圖庫供數百個執法機構使用

3. LinkedIn以機器學習偵測不適當的個人檔案內容

4. AWS釋出寫三行程式碼就能創建高效能神經網路模型的函式庫AutoGluon

資料來源：iThome整理，2020年1月