分類
人工智慧

天擇集團-營造安全科技化及人工智慧 快速找出路口事故熱區

勞動部職安署與臺北科技大學攜手發展人工智慧技術應用於營造安全危害自動辨識,特於17日邀請產、官、學界共同參與「人工智慧技術於營建安全管理之應用研討會」,展示職安署對於人工智慧計畫推動成果,並期望營造產業共同推動科技化安全管理。

職安署署長鄒子廉表示,人工智慧(Artificial Intelligence,簡稱AI)亦被稱為機器智慧,是現今各國所重視發展之新科技,目前人工智慧發展成果,已被廣泛應用在醫療、工業工程、生物科技及財經等領域,對於影像辨識及語言分析等方面已具顯著成果。

職安署表示,運用新科技取代傳統人力,可降低人為注意力不集中之缺失,為國際發展趨勢,基於營造職災多、風險高,推動人工智慧應用於營建施工安全,以防止人員發生墜落等災害,目前已發展鋼結構組配作業危害辨識模組,可透過施工現場的閉路監視系統(CCTV),自動辨識安全帽、安全帶、安全母索及安全網等施工安全設施,並進而開發出人工智慧辨識工具,用以辨識勞工之不安全環境,以有效降低勞工發生墜落職業災害。

人工智慧 快速找出路口事故熱區

交通部運輸研究所今天公布最新研發的技術,利用無人機結合人工智慧,快速找到路口易發生事故的熱區,明年將協助地方政府預先改善路口交通環境。

根據內政部警政署統計,今年1月至9月道路交通事故約26萬件,約有56.5%發生在路口。

運研所說,超過5成的車禍發生在路口,除了造成生命財產損失之外,也導致道路壅塞,過去道路主管機關只能在多次車禍發生後,才會注意到路口同一處常有事故的情形,未來藉由衝突分析軟體幫助,在車禍發生前就進行路口交通安全分析,並預先改善。

運研所新研發的技術就是將無人機空拍攝影結合人工智慧影像辨識,開發路口衝突分析軟體,例如,若事先發現路口經常發生右轉衝突,可進行右轉車道與轉彎半徑的調整。

運研所說,明年將與縣市政府合作,運用衝突分析軟體於路口交通安全改善,並擴大應用在其他危險情境,例如進入路口搶(闖)越黃(紅)燈及超速行為,提升路口的安全性。

運研所研發的這項技術,透過不同顏色代表不同危險程度,紅色是瀕臨危險、橘色是高危險衝突、黃色代表中危險衝突、綠色是低危險衝突,藉由路口衝突分析軟體,快速了解路口最容易出現事故的危險熱區,預先改善相關設施,避免可能發生的車禍。

運研所用這套無人機結合人工智慧技術,實地測試雲林縣一處路口時,發現左轉處是衝突熱區,經分析是左轉專用車道較狹窄,外側車輛易插入,會很容易發生事故。

※本文章屬於TNZE天擇集團所有嚴禁轉載※

分類
人工智慧

天擇集團-可幫助人類發揮群體智慧:人工智能AI

經過調校的舊 AI 演算法表現可輕鬆勝過全新 AI 模型

AI 技術過去 10 年的最大進展歸功於如圖形處理器、電腦處理單元(CPU)和攝影機等硬體改進,促進複雜搜尋計畫、臉部辨識、攝影、語言翻譯和語音辨識的等比級數成長,並取得虛擬實境在更精彩視覺效果的突破性進展。當然,演算法改進也有幫助。

但麻省理工學院研究團隊卻表示,至少 AI 演算法某些改進虛假不實。例如,他們發現只要稍加調校長期建立的舊 AI 演算法,舊程序便能高效運作,甚至達到可與備受吹捧的「全新優化」程序並駕齊驅的程度。但在某些情況下,新 AI 模型的表現甚至還不如舊演算法。

一篇刊登在《科學》期刊並評估研究的文章,引用 2019 年某項對搜尋引擎使用資訊檢索演算法進行整合分析(Meta-Analysis)的研究結論,發現「評獲的高分實際上是在 2009 年(比 2019 年早 10 年)設定的」。2019 年另項研究複製了媒體串流服務採用的 7 種推薦系統。他們還發現,有 6 種演算法的表現甚至比幾年前開發且簡單的演算法還差,至少在早期技術經微調後的結果是如此,這更進一步揭露了「進步的假象」。

10 年來某些 AI 領域缺乏重大進展

Blalock 指出,用來比較演算法優劣的技術本身有不一致性,這使得某演算法優於另一種演算法的說法準確性有待商榷。根據某位 MIT 電腦科學家的說法指出,過去 10 年來,某些 AI 領域顯然缺乏重大進展,這很大程度得歸咎於無法適當比較與評估相互競爭的演算法。Blalock 博士研究生指導教授 John Guttag 表示:「古有明訓,如果無法評量某事,就很難讓事情變得更好。」

卡內基美隆大學( Carnegie Mellon University)電腦科學家 Zico Kolter 推測,將自己的名字用在新演算法命名,遠比僅修補並調校已建立的較舊演算法會有更大的動機和社會回報。

Kolter 專門研究開發抵禦駭客所謂對抗攻擊(Adversarial Attack)的影像辨識模型。這類攻擊會採用經巧妙修改過的程式碼迴避系統安全防護機制。稱為投影梯度下降(Projected Gradient Descent,PGD)的早期方法,透過訓練 AI 系統區分真假範例碼來抵禦此類攻擊。這被認為是可靠的方法,但卻被更新、更好的協定取代。不過,Kolter 主導的研究員團隊發現,只要簡單調校舊 PGD 方法後,有效性與新方法相比幾乎沒有差別。

「很清楚的是,PGD 實際上就是最恰當不過的演算法,」Kolter 指出:「人們想尋求太過複雜的解決方案,一直都是顯而易見的人類通病。」

人類很早已認識到,群體合作集思廣益,其解決問題的成效可以大過個體各自智慧的總和。「群體智慧」早在古希臘就已得到公認,當年希臘哲人亞裏士多德就指出,眾多平凡之人如果齊心合力,所作的集體判斷往往比偉大的個人更為出色。

不需多想即知多人參與決策會有較出色的成果,但知易行難,任何行政主管都會告訴你,讓一個大團隊齊心合力共事並不容易。然而,最近人工智能(AI)的進步讓群體智慧的可操作性變得比較可行,從而得以讓人類工作會更有效率,更有能力解決緊迫的社會挑戰。

英國國家科技藝術基金會(NESTA)是英國一個資助和推動改善人類生活之創新和發明的公益機構。其群體智慧設計中心的負責人彼得‧巴克(Peter Baeck )說,「我們知道,人類工作的未來完全依賴相互合作解決問題,其中一個最顯然而明的機遇是利用人工智能,這可幫助人類面對共同挑戰時在通常相當紛亂的網絡中建立良好聯繫。」

※本文章屬於TNZE天擇集團所有嚴禁轉載※

分類
人工智慧

天擇集團-開啟智能新時代:自動駕駛

自動駕駛車對於傳送即時數據的感測器數量,以及對數據進行智慧處理的需求可能會非常龐大。而AI主要被用於現代汽車的中央單元以及多個電子控制單元(ECU)中。

由於AI已在機器人等眾多領域中得到應用,它自然成為自動駕駛的首選技術。結合AI和感知等技術承諾可提供更安全、更具確定性的行為,從而帶來燃油效率、舒適性和便利性等優勢。

開發像自動駕駛車這樣複雜的AI系統面臨諸多挑戰。AI必須與多種感測器互動,並即時使用數據。許多AI演算法都是運算密集的工作負載,因此很難搭配使用記憶體和速度受限的CPU。現代車輛是一種即時系統,必須在時域中產生確定性結果,這關係到駕駛車輛的安全性。諸如此類的複雜分佈式系統需要大量的內部通訊,但這些內部通訊通常易於造成延遲,從而干擾AI演算法做出決策。此外,汽車中執行的軟體還存在功耗問題。運算越密集的AI演算法消耗功率也越多,尤其是對僅依靠電池充電的電動車(EV)而言,這會是一大問題。

貴州翰凱斯智慧技術有限公司(以下簡稱翰凱斯公司)是一家智慧汽車創業公司,在智慧製造和人工智慧領域長期耕耘,堅持自主研發,自成立以來一直以重新塑造汽車製造和應用方式為目標,從線控底盤、車體批量定制,再到自動駕駛軟體部署,提供智慧網聯汽車一站式軟硬體解決方案。

翰凱斯總部位於貴陽國家高新區貴州科學城,研發中心位於矽谷,專注於打造金屬3D列印的L4自動駕駛特殊車輛。翰凱斯核心優勢為在自主研發自動駕駛人工智慧演算法的基礎上,還進行車輛的創新設計與高端智慧製造,為物流、零售、地產、旅遊等行業提供軟硬體一站式解決方案,定制自動駕駛觀光車、清掃車、物流車等,應用于園區、景區、小鎮、商場等場景。核心技術是L4自動駕駛演算法,生成設計,以及金屬3D列印製造技術,獲得20項專利。

公司立足貴陽,全面實現了國際化,獲得英國金融時報報導,引入多個全球合作夥伴,助力于將沙文區域打造為貴州智慧網聯汽車產業基地,推動了貴州首個無人駕駛開放道路測試區域的劃定。公司得到全球巨頭企業的青睞。被選入Autodesk矽谷創新中心,英偉達人工智慧加速計畫,米其林全球移動出行創業公司挑戰賽優勝。獲得了矽谷風投SOSV的投資。團隊有4名全職外籍工程師,均為碩士以上學歷,首席科學家為名古屋大學的副教授Alexander。翰凱斯同時打開了國際市場,2020年初會為美國客戶在達拉斯進行無人駕駛零售配送車的商業化運行。並計畫於2020年整體部署100台。將率先實現高級別自動駕駛的規模化商業化。

在自動駕駛車中,AI用於執行多項重要任務。其主要任務之一是路徑規劃,即車輛的導航系統。AI的另一項重要任務是與感測系統互動,並解讀來自感測器的數據。

很顯然地,提供一套完整的解決方案來取代人類操控駕車的是一項艱鉅的任務。因此,製造商們開始將問題劃分為更小的部份,並逐一地解決,以期透過小幅進展最終實現完全的自動駕駛。業界一直不乏新創公司或具顛覆性的公司試圖解決所有的自動駕駛問題,並曾誓言要在2020年實現完全自動駕駛車上路。如今看來,現實顯然更複雜得多了,AI本質上存在的一些問題帶來了很多障礙。

隨著AI的發展與完善,我們將越來越接近具有安全且自主行駛的交通運輸願景。在那之前,我們必須展開長時間的開發與測試,而最終是否採用則取決於消費者的信心以及市場驅動力。儘管比預期費時更長,但一切終會發生。

需求與要求已經出現了,技術也幾近完備。其實際應用可能或快或慢,這完全取決於法規要求。分階段實施是可行之道,從比較簡單和更具確定性的用例開始,例如先在已知環境中導入自動駕駛。如果僅在具有較少未知的特定條件下行駛自動駕駛車,則可以充份緩解所使用的演算法壓力。

※本文章屬於TNZE天擇集團所有嚴禁轉載※