台灣微軟去年三月與鴻海科技集團開啟雲原生技術開發、混合辦公場域建立與核心系統上雲布局全球等三大戰略合作,重新定義台灣智慧製造樣貌;經過一年的努力,鴻海研究院憑藉微軟 Azure 雲端平台的高速算力,取得多項人工智慧技術的研究突破。
專為巨量運算設計 Azure
HPC 提升鴻海研究院人工智慧模型訓練效率
鴻海研究院人工智慧所所長栗永徽表示:「鴻海研究院是集團邁向 F3.0 轉型升級之路的重要發展基石之一;人工智慧所在其中負責人工智慧關鍵技術的研發,以深化集團內關於 AI 的基礎能力,滿足未來三到五年產業發展需求。去年開始透過微軟 Azure 雲端平台的高速算力與安全合規的作業環境,讓人工智慧所有令人興奮的成果突破,未來期許可以深化雙方的合作布局,共同樹立台灣智慧製造標竿,讓優秀的台灣人才根留台灣,打造世界級的演算法。」
台灣微軟大型企業商務事業群總經理卞志祥表示:「數據成為企業評估商業模式的一環,從數據庫中找出洞察分析,是維持競爭力的重要關鍵。尤其近年來崛起的自駕車及數位醫療領域,更依賴龐大數據建立精準及安全的人工智慧模型,也因此彰顯算力的重要性。微軟很榮幸可以運用 Azure 全球豐富 HPC 資源,協助鴻海強化在智慧製造的產業領導地位。未來期許在微軟資料中心落地後,能深化雙方在人工智慧領域的合作。」
雲端支援 加速 AI 訓練 推動自駕車及數位健康的研究進展
微軟透過 Azure HPC GPU - NDm A100 v4 加速鴻海研究院在 AI 領域的研究速度。NDm A100 v4 系列虛擬機器是 Azure GPU 系列的旗艦,專為高階深層機器學習訓練和緊密結合的相應增加、相應放大 HPC 工作負載所設計,能有效縮短 AI 模型建立時間。此外,依據使用量付費(pay as you go)的彈性收費模式,也能減少前期設備建置投資與機房管理人力。
鴻海研究院運用 Azure
雲端平台於深度學習、自駕車及數位醫療的研究成果亮點如下:
l 對抗式攻擊與防禦,提升自駕車穩定性及安全性:針對未來自駕車的應用情境,為避免外部環境干擾或是惡意駭客入侵,嚴重影響模型的判斷,對抗式攻擊與防禦極為關鍵,可用於減少人工智慧模型的誤判。Azure 的虛擬機器能大幅縮短對抗式訓練的模型訓練時間,從原本 3 小時減少至 5 分鐘。
l 高解析度非監督影像風格轉換模型:此模型為基於深度學習的 image translation model,能夠將兩個不同領域的影像做雙向轉換,應用在動漫領域,可以將動漫人像轉換成真實人臉,並且可以在硬體資源有限的情況下生成高解析度(1024×1024)的成果。應用於自駕車場景,配合現有的自駕車模擬環境(如:CARLA),藉此生成的模擬影像,轉換還原出更契合真實情境的駕駛環境,進而擴充訓練模型時所需要的影像資料,並藉 Azure 高速算力得到更好的模型效能。
l 自監督式學習預訓練新範式之研究:自監督學式學習技術使用大量「無標註」的資料來訓練人工智慧模型,除可降低過往標記資料對大量人力的需求,透過「無標註」還可降低人為疏失,提升模型準確度。以自動駕駛的領域為例,透過收集巨量的街景資料,並在沒有標記的情況下進行模型訓練(pre-training),之後再用少量有標註資料做細微修調,可善用大數據的優勢,縮短模型訓練時間,進而達到更強健、安全的自動駕駛環境。
l
自監督式虹膜影像分割技術:在不需要人工標註的情況下訓練人工智慧模型,有效的將虹膜影像進行精確的分割,進而提高虹膜辨識的準確率。此技術不但可用於虹膜辨識,也可應用於各種不同的環境與任務,例如:自駕車環境中我們常常需要針對街景圖做影像語意分割,透過此技術,不需大量人力標註,即可訓練出高精確度的人工智慧模型以供自動駕駛系統使用。使用微軟 NDm A100 v4 的HPC 來做模型訓練,跟之前使用的機器相比,加速可高達 8 倍。
l
人工智慧模型實現即時、連續性血壓偵測:成功將光體積描記法(PPG)訊號轉換成即時血壓訊號,有效地量測血壓的指數,且量測準確度已經符合醫療器械促進協會(AAMI)和英國高血壓學會(BHS)的 A 級標準。目前穿戴式裝置可實現 PPG 信號的即時量測,與此技術結合後,未來能讓使用者隨時偵測自身血壓,不再受到時間、空間與器材的限制,第一時間預防因血壓異常的導致的高風險疾病。使用微軟 NDm A100 v4 的 HPC 來做模型訓練,跟之前使用的機器相比,加速可高達 400 倍。