AI趨勢周報第137期：DeepMind新指令集強化演算法通用性和效率

重點新聞(0530～0604)

DeepMind     演算法效率     通用性  

DeepMind新方法強化AI演算法通用性和效率

在設計演算法時，開發者通常注重兩大功能，也就是改善準確率和效率（即所需資源越少越好），由於準確率已有許多研究著墨，DeepMind決定專攻演算法的效率和通用性。近日，他們設計了一個方法，來改善類神經網路演算法的通用性和效率。一般來說，類神經網路輸入值大小會取決於要解決的問題，而且會隨輸入次數呈線性成長，這不僅耗費運算資源，也無法泛化未知的序列，也就是難以泛化訓練資料以外的輸入值。

不過DeepMind發現，使用恆定部分輸入（Constant partial input size），就能幫助AI系統泛化訓練資料以外的數據，而且還能降低計算資源成本。因此，團隊設計了一個指令集，其中的參數定義了如何代表不同的演算法，來執行每個指令。也就是說，該方法能應對任意大小的輸入值，提高通用性。經測試，DeepMind指出，雖然新方法仍有些局限，但與現有其他方法相比，自家的方法表現更勝一籌。（詳全文）

  智慧製造     SiteWise    智慧製造  

Amazon正式發表工業級IoT監測服務SiteWise

經過兩年測試，Amazon近日終於正式發表工業級的IoT託管監測服務SiteWise，可自動從工廠底層的IoT設備中提取數據，將其結構化並自動標記資料，來即時產生指標、協助決策。

Amazon指出，製造業者希望能即時整合所有設備和感測器的數據，來制定更好的決策。但要收集成千上萬個不同位置的IoT數據並不容易，因為這些資料儲存於地端伺服器，且缺乏通用的資料格式，如果要分析這些數據，還須自行加上情境資料，比如設備類型、位置以及與其他設備的關係等，甚至還須自行撰寫自定義的應用程式來計算出營運指標。而SiteWise旨在克服這些問題，能自動收集IoT數據、進行標記，使用者只須對收集到的數據添加情境資料，再加上通用的性能指標，SiteWise就能開始建模，並按照使用者定義的時間，定期產出性能指標供使用者參考。此外，使用者也能從SiteWise建立網頁應用程式，完全不須程式碼，來視覺化即時的性能指標變化。（詳全文）

  聯合國     AI預測    疫情追蹤  

聯合國發起疫情決策AI專案，要來助各國政府抗疫

聯合國教科文組織（UNESCO）、史丹佛人本AI中心和非營利組織智庫日前正式啟動對抗武漢肺炎（COVID-19）的專案CAIAC，要為決策者、醫療專家和科學家打造AI流行病決策工具。CAIAC初期將聚焦於三大部分，分別是接觸追蹤、打破假消息、彌補鴻溝；就接觸追蹤來說，CAIAC會利用行動裝置數據來打造追蹤工具，來鎖定疑似病例，幫助決策者擬定策略，再來，針對疫情資訊，CAIAC除了提供正確的消息來源，同時也會幫忙辨識假消息來源。最後，CAIAC會將疫情訊息帶到資訊化較落後的地區，來彌補數位化差距、防止疫情擴散。CAIAC預計今年九月推出第一版工具，給聯合國成員國家使用，之後也會普及到其他國家政府。（詳全文）

  機器學習   偏見       社會因素 

如何降低ML偏見？Google研究建議納入社會因素

Google在最近一篇研究論文中指出，為降低機器學習偏見、提高公平性，開發者應將社會因素（Societal context）納入考量，來設計機器學習系統。為此，由Google技術專案經理Donald Martin, Jr.領軍的團隊設計了一套基於複雜適應性系統（CAS）的分類模型，在CAS中，所有元素彼此直接或間接互動，也因此會不斷適應變動的環境。如此一來，就很難單靠各元素的行為來預測系統變化。

不只如此，為提倡更公平的系統，團隊也提出了協作式因果理論方法，來將複雜的利害關係納入計算，以產出更貼近真實世界的預測。（詳全文）

  醫療大數據     文字分析    微軟 

瞄準醫療非結構化資料分析，Azure認知服務推出醫療文字分析API

微軟近日在Azure認知服務中，新增了醫療領域的文字分析API。Azure認知服務原本就提供了不少AI功能，可讓開發者在應用程式中，加入諸如圖像辨識和語音理解等功能。

而醫療業中有許多非結構化資料，比如醫療出版物、病例和臨床實驗等文字，這次新添的文字分析功能，可讓開發人員處理、擷取非結構化醫學文本中的知識。該API可連結非結構化資料中的文字和生物醫學領域中的名詞實體（如診斷、藥物名稱、症狀和劑量等），並將文字所提及的概念進行有意義的關聯，而且還可以從非結構化文字中，擷取100多種的個資。（詳全文）

Cloud 重複動作    電腦視覺    RepNet  

周期性動作也難不倒！Google新模型RepNet專門捕捉重複動作

Google開發出可理解各種重複過程的模型RepNet，像是人類跑步、鐘擺以及鳥類拍動翅膀等動作，從單一影片辨識不停重複的動作，有別於過去從不同影片理解同一個動作。

RepNet以包含各種周期性動作的影片作為輸入，來計算動作重複的周期數。RepNet由3部分組成，包括影格編碼器、相似矩陣中介表示，還有周期預測器。系統會先比對每個影格與其他影格的嵌入、計算時間自相似矩陣（TSM），接著輸出讓後續模組來預測重複周期。雖然RepNet以合成資料集訓練而成，但仍能處理實際影片，像是計算心臟跳動這種等速的重複運動。（詳全文）

武漢肺炎    R語言     資料探勘  

武漢肺炎疫情帶動資料探勘需求，R語言爬到新高第7名

R語言在7月的熱門程式語言排行榜Tiobe Index中達到第7名，跟去年同期相比，整整提高了14個名次。這是因為，近幾個月武漢肺炎（COVID-19）疫情肆虐，大學和研究機構利用R語言來開發疫苗的統計和資料探勘工作，因此R語言開始往上爬。

Tiobe軟體執行長Paul Jansen指出，研究機構常用Python和R語言進行統計分析，但武漢肺炎爆發後，開發疫苗需大量統計和資料探勘工作，讓容易學習和使用的R語言備受歡迎。至於第1名的C語言，受歡迎程度持續上漲，Tiobe認為，這是因為C語言大量使用於醫療設備上。（詳全文）

機器學習開發套件     ML Kit      Google  

ML Kit與雲端開發平臺Firebase脫鉤，更快又更安全

Google日前更新機器學習開發套件ML Kit，與Firebase脫鉤，還將加入實體擷取和姿勢偵測兩大新功能。Google兩年前推出ML Kit，讓開發人員在行動App中，能添加機器學習技術。

不過開發者抱怨，ML Kit的原始版本和Firebase整合在一起，難以靈活應用。這次Google讓ML Kit SDK獨立出來，所有裝置上API不再仰賴Firebase專案，ML Kit不僅更能支援裝置上機器學習應用，而且比起雲端機器學習運算，更快速也更具隱私安全。（詳全文）

圖片來源／DeepMind、Amazon、CAIAC、微軟、Google

 AI趨勢近期新聞 

1. NLP除錯工具CheckList能抓出Amazon、Google和微軟的NLP臭蟲

2. DeepMind：深度強化學習是窺探大腦和人類行為如何運作的好方法

3. Google新研究：用自然語言就能觸發行動App指令

資料來源：iThome整理，2020年7月