赋予机器学习与深度整合机制 人工智慧系统更能成为好帮手

正文

科技部第三季AI投资潜力奖第三名 台大AI中心陈祝嵩教授团队

虽然人工智慧技术与系统已被广泛应用,但如何在有限 资源下加速执行与整合,成为AI发展的另一道重要课题,这也正是中研院资讯科学研究所教授陈祝嵩带领团队,开启「异质性深度模型整合与检索特徵学习」计画的初衷,希望突破当前技术瓶颈,减少大数据蒐集、辨识与分析时间,并让人工智慧系统拥有人类般的持续学习能力。

陈祝嵩教授研究团队

突破多项技术瓶颈 希望人工智慧系统更像人类

陈祝嵩教授首先解释,如果有一天人工智慧系统能够表现出持续学习能力,「那幺无人商店里,已经训练机器辨识一些商品之后,增加新商品时,无需连同旧商品资料一起进行辨识训练,可以像人类一样,只学习新商品资料即可」,所以藉由已学习的技能,帮助新的学习更加顺利,,是研究团队希望人工智慧具备的第一个强大功能。

另一个功能则是「异质性深度模型整合」,陈祝嵩教授提到许多单位都在开发适合自已应用领域的深度学习模型,比较偏重单一功能,「但是如果同时需要A功能与B功能,应该有个模型协助整合,不必再重新开发」,例如医院里已有鼻咽癌、淋巴癌各自的智慧影像辨识模型,透过共压缩、去除冗余权重等技术,可以将两个模组融合在一起,实现多工应用境界。

人车影像侦测与分析系统,将来可运用在自驾车系统

再来是「快速检索特徵」功能,考量人工智慧仰赖大数据进行深度学习,一旦把影像、声音输入成有特徵的向量讯号,机器学习可以自动找出编码关联性,达到快速检索、提高运算效率等目的,陈祝嵩教授表示「我们从2015年开始研发,已在Deep Binary Hash Code领域确立领导地位,不仅被后续许多研究仿效,相关技术也被引用超过500次,是世界最先进的方法之一。」

透过「异质性深度模型整合」,医疗院所内的多种单一功能AI模型可望整合成多工应用

矢志成为AI整合者 开发简单有影响力的智慧系统

除了追求智慧系统的再进化,陈祝嵩教授团队还研发多模态模型,累积视觉、听觉、自然语言等辨识系统整合经验,陆续运用在海洋生物侦测、客服、自驾车领域,有的已见成效,有的还在调整,「研究本来就不是一条康庄大道,而是泥泞难行的环境,每走一步就要反思修正」,通常初步构思的方法不一定能用,或许可以走两、三步,但更多时候第一步就遇到困难,得重新评估与测试。

海洋生物影像侦测已协助追蹤与统计东沙群岛的海龟跟魟鱼数量,减少人工负担

即使进入落地应用的验证阶段亦是如此,陈祝嵩教授表示产学合作因为双方领域知识不同,往往标注的有用数据或资料,不见得一致或正确,导致过程需要不断磨合沟通,才能让AI技术如心所愿能用又好用,「这就是为什幺期望我们团队成为AI整合者,不跟每个技术领域PK竞争」,唯有越专注于系统性解决方案,越有助于开发出轻量化、高效率的AI应用服务。

确实,在AI已进入百家争鸣又百花齐放的时代,许多方法未曾在开发过程中被好好检验,若只是竞相加诸新技术来彰显创新,跟「希望开发出来的人工智慧技术,是简单有效,并非跟风热潮」的信念背道而驰,因此陈祝嵩教授格外感谢团队脚踏实地又愿意自我突破,逐步累积系统整合经验,研发出学术领域与应用层面,都具有影响力的系统方法,协助解决多元类型问题。

了解更多AI潜力新星

ai系统技术学习祝嵩团队模型领域教授功能开发

上一篇: 下一篇:

相关文章: