AI趨勢周報第124期：整合產官學各界資源，全球最大機器可讀的武漢肺炎資料集開源釋出

重點新聞(0313～0319)

艾倫AI研究院     武漢肺炎    開放資料    Kaggle挑戰賽 

AI2聯手微軟、白宮和美國國衛院，開源釋出武漢肺炎研究資料集

由微軟共同創辦人成立的艾倫AI研究院（AI2）聯手微軟研究院、白宮科技辦公室（OSTP）、美國國衛院（NIH）的國家醫學圖書館，以及其他組織，共同釋出武漢肺炎開放研究資料集COVID-19 Open Research Dataset（簡稱CORD-19），內含2萬9千多篇新型冠狀病毒相關研究論文，其中1萬3千多篇為全文可瀏覽。AI2表示，這是機器可讀的最大型新冠病毒語料庫，而釋出資料集的用意，是希望全球研究員可藉自然語言處理（NLP）技術和AI，從中找出新洞察，來對抗疫情。

該資料集收錄同儕審核、正式刊登的論文，以及在bioRxiv、medRxiv等檔案收藏服務中的文章，且每周更新一次。此外，資料分析平臺Kaggle也舉辦了CORD-19挑戰賽，已根據WHO新冠病毒研究藍圖和美國國科院研究主題，列出幾項關鍵問題，作為挑戰任務，每項任務的獎金為1,000美元。Kaggle希望藉此鼓勵開發者，找出對抗疫情的關鍵資訊。（詳全文）

  BERT     自然語言    模型評比  

哪款BERT比較優？BERTLang網站告訴你

義大利博科尼大學團隊日前發表BERT Lang Street網站和研究論文，要來幫開發者評比各種BERT語言模型和多重語言模型mBERT的效能。自2年前Google發表雙向編碼自然語言模型BERT以來，大幅改善自然語言理解能力寫下了自然語言處理（NLP）里程碑。之後，Google也利用104種語言的語料庫，訓練出多重語言模型mBERT，作為通用的語言理解模型。不過，現階段針對mBERT和各語言BERT模型的評比，幾乎沒有明確的比較。

於是，博科尼大學團隊架設了BERTLang網站，來提供每個模型的架構和領域表現等評比。目前，團隊已針對18種語言、29項任務，測試了30個特定語言的BERT模型，也得到了177種測試結果。其中，在所有29項任務中，特定語言的BERT模型表現皆比mBERT要好。這些結果，都已公布於網站供開發者查詢。（詳全文）

  Google     深度學習    行銷  

目標打開DNN黑盒子！Google開源JAX函式庫Neural Tangents

Google日前釋出JAX軟體函式庫Neural Tangents，要來解開深度學習黑盒子。團隊指出，近來深度學習網路（DNN）在自然語言、對話代理等任務表現大幅進步，有人會懷疑，為何DNN參數過度設置，卻善於歸納？其中一個關鍵是，DNN的寬度增加時，模型表現就越規律、越容易理解。

不過，要無限增加DNN寬度，仍有些挑戰，像是需要深厚的數學知識，且要對每個架構分別設計。為此，Google開源Neural Tangents，開發者可輕鬆定義、訓練和評估寬度無限（Infinite）的DNN；進一步來說，無限寬DNN是指，由架構決定內核函數的高斯過程（GP），而Neural Tangents可提供卷積、池化、殘差連接、非線性特性等組件，讓使用者建立類神經網路。Google實驗發現，有別於常規訓練，實驗模型的學習動力在封閉形式下，可完全控制，開發者更可藉此理解模型行為。（詳全文）

  Google    立體物件辨識       行動裝置  

行動裝置也可即時辨識3D物件！Google釋出辨識模型工作流程Objectron

Google物件辨識模型工作流程MediaPipe增加新的辨識流程Objectron，可即時在行動裝置上辨識3D物件。Google表示，目前成熟的影像辨識技術多半是2D物件辨識，也就是從畫面中，以邊界框（Bounding box）框出2D物件。但如果延伸到3D，就能了解物件的大小、位置和方向，更可運用至機器人、自駕車、圖片檢索和AR等領域。

不過，要從平面影像辨識3D物件仍然有挑戰，比如缺乏訓練資料或多樣性等。為此，Google利用AR來建立3D資料集，並利用自家機器學習工作流程框架MediaPipe，來開發Objectron模型。Objectron可在畫面中，以3D邊界框框出常見的立體物件，並估算其大小、姿態。其中，為提高工作流程效率，系統每隔幾幀才會執行推論。Google也先釋出針對鞋類和椅子的Objectron辨識模型，未來要將辨識類別擴大至更多物件。（詳全文）

  Google    量子運算     機器學習函式庫  

整合量子運算和機器學習，量子機器學習函式庫TensorFlow Quantum正式開源

Google聯手滑鐵盧大學、X公司和福斯集團，共同釋出量子機器學習開源函式庫TensorFlow Quantum（TFQ）。該函式庫是TensorFlow的擴充，可結合量子運算和機器學習。

TFQ底層整合了TensorFlow和雜訊中等規模量子（NISQ）演算法框架Cirq，其中，TFQ的關鍵功能在於可同時訓練、執行許多量子電路，這是因為，TensorFlow能在電腦叢集中平行化運算，也能在多核心電腦上模擬較大的量子電路。Google指出，未來目標是要讓TFQ能透過Cirq，在真正的量子處理器上執行量子電路，比如Google內部正在開發的Sycamore量子系統。（詳全文）

臺鐵管理局   軌道扣件     影像辨識  

夜間人工巡軌有新方法，臺鐵改導入AI自動揪出脫落的軌道扣件

臺鐵管理局聯手交通部運輸研究所，共同開發出軌道扣件缺失辨識系統，透過攝影機和深度學習軟體，來自動辨識鐵軌上的扣件安裝情況，輔助人工巡視作業。

目前，臺鐵軌道扣件巡檢仍採夜間人工目視，但因目視角度和巡檢車車速問題，難以快速進行。於是，臺鐵與交通部運研所合作，選定特定鐵軌區間，來收集訓練影像資料。之後，團隊再以Yolo v3來訓練深度學習模型，來檢查軌道扣件是否脫落。此外，團隊也用GoPro，於夜間巡檢車時速30公里時，錄製70公里的軌道扣件影像，驗證模型辨識準確率為86.7％。雙方指出，未來還要進一步改善模型，最終要達到無人巡檢。另一方面，團隊也開發雲端功能，可透過Google地圖來定位扣件脫落之處，方便進行維修。（詳全文）

Pixel 4   動作感知     Google  

解密Pixel 4動作感知關鍵！記錄數百萬次手勢建立雷達解讀ML模型

Google日前揭露自家最新Pixel 4系列手機的Motion Sense技術，該技術讓用戶不需觸碰手機，就能隔空以手勢來控制音樂播放或靜音來電。這是因為，Motion Sense採用Soli短程雷達感測器和特別設計的機器學習演算法，來解讀Soli訊號。

在手機頂端內建Soli天線，可處理時序性訊號，再輸入至Soli機器學習模型，來分類手勢。為訓練這套模型，團隊找來數千名志願者，記錄數百萬個手勢，並配對側錄的雷達訊號，來訓練模型。Google用TensorFlow訓練模型，同時也克服手機低電量的挑戰，發展特殊的訊號處理技術，來解決聲音震動對Soli系統的影響，使其能與周圍的通話元件共存。（詳全文）

模糊測試     基準測試      FuzzBench  

把關模糊器品質，Google開源釋出基準測試服務FuzzBench

Google日前開源釋出模糊測試器（Fuzzer）的基準測試服務FuzzBench，要來提供用戶嚴謹的模糊測試，降低採用障礙。模糊測試是一種抓臭蟲技術，透過自動或半自動產生另一個程式的亂資料，來測試程式可能出現的異常狀況。Google內部就用了不少模糊測試器如libFuzzer和AFL等，也揪出了數以萬計的臭蟲。

雖然目前有許多模糊器的研究，但仍難以評估模糊器是否能實際派上用場。因此，Google的OSS-Fuzz團隊建立了FuzzBench，用戶只需不到50行程式碼，就能整合Fuzzer和FuzzBench，可進行24小時的實驗。之後，FuzzBench會根據實驗資料，深入分析並產生報告，來比較不同Fuzzer的效能，包括統計測試，讓用戶了解Fuzzer之間的效能差異。（詳全文）

圖片來源／TensorFlow、Sam's Club、微軟

 AI趨勢近期新聞 

1. Alphabet生醫研究子公司Verily正打造武漢肺炎分類工具

2. Nvidia研究團隊用AI教機器人拿物品給人類

3. 加州大學柏克萊分校發現新方法，可改善大型Transformer的訓練和推論

4. Amazon自家無人商店科技上市開賣

資料來源：iThome整理，2020年3月