普及化人工智慧：不再侷限科技巨擘
人工智能與電腦視覺在製造業已司空見慣。在製造業中，只要資料可供查看，你就能運用資料加以發揮。但並非每個產業都抱持相同的心態，或請得起資料科學家在現場坐鎮。但許多別開生面、振奮人心的人工智慧使用案例，從醫療到交通乃至於農業，應該持續利用這些工具。
我們與 AIoT 平台機器學習生命週期管理供應商 Plainsight（前身為 Sixgill）的共同創始人暨產品長 Elizabeth Spears 和 Intel®物聯網事業群的工業人工智慧和分析總監 Bridget Martin 論及人工智慧的易用可達和普及性，以及對於公司且最終對於消費者而言，這些因素如何成為充分利用這一重要技術的關鍵。
人工智慧在現今的製造業中有何新用途？
Bridget Martin：可從兩個不同的觀點切入。有的製造商在我們眼中較為成熟，在廠區或製造廠房的個別流程中已佈署了自動化運算機器。他們不僅自動化流程，同時也輸出了資料，這點在論及人工智慧時至關重要。那可能是傳應器的中繼資料，或者是自動化工具執行之過程的中繼資料。
這些製造商確實希望利用已經產生的資料來預測及避免這些自動化工具無預警停機。這就是為什麼預測性維護類型的用途和使用方式應運而生。
但放眼望去，世界絕大多數的產業仍仰賴大量的人工製造應用。而那些較不成熟的市場希望藉由利用運算視覺（部署攝影機以識別改善其整體工廠生產的機會）以及透過工廠內供應鏈之小工具的工作流程，來跳過一些自動化階段。
可以介紹幾種使用此技術的新用途嗎？
Elizabeth Spears：有個很酷而且即將成真的用途，稱為超解析度。研究顯示其用途之一是在電腦斷層掃描中使用較少的輻射。試想一下 FBI 的辦案電影，探員正在尋找嫌疑人，找到了車牌或人臉的粒狀影像。辦案人員說：「增強影像。」於是影像瞬間變得清晰，他們也因此揪出幕後元兇。這種技術已不是天方夜譚。
另一個例子是用於訓練目的，在資料本身難以取得的情況下模擬環境。不妨拿車禍和槍支偵測來打個比方。在這些情況下，你希望模型準確無誤，卻又難以取得資料來訓練模型。所以就像在電玩中，你有一個模擬環境，你可以依樣畫葫蘆來建立資料。特斯拉等公司就是用它來進行車禍偵測。
這方面的應用無遠弗屆，可在各行各業中落實，你可以立竿見影，輕鬆實現目標。關於電腦視覺，我最喜愛的案例相當實用。聽起來雖是芝麻綠豆般的小事，卻能帶來極高的價值。
我們執行的實例之一是準確地計數牛隻，這項功能為該公司節省了數千萬美元。
組織要如何識別人工智慧的使用案例以及利用電腦視覺？
Elizabeth Spears：我覺得大家談論人工智慧的方式，好像組織非得徹底改頭換面才能利用 AI，又好像一定要投注大量的時間與資金才能順利推行。但我們發現其實你可以在短短數週內執行解決方案，得到立竿見影的成果。這正是開始建立價值的基礎。
對我們而言，重點在於透過易用可達性來推廣人工智慧，人工智慧不是全球前五大公司的專利。我們希望不只透過簡化的工具，也要藉由簡化的最佳做法來使人工智慧觸手可及。只要你將一些最佳做法與平台本身整合，公司自然能信心滿滿地使用這項技術。我們在與客戶進行的交談中加入了許多知識性的教育元素，也與許多不同的部門進行交流，不只是與資料科學家對話。我們想要真正探索客戶的需求，接著才能討論可以如何應用技術。
現今招聘機器學習和資料科學人才難如登天。即使擁有了這些夢幻團隊，也要打造一個端對端平台，以便建構模型，進而對其訓練、監控、部署、使其保持在最新狀態，並且提供其中許多模型保持精確所需的持續訓練，所有的一切都需要眾多不同類型的工程師。
因此，如果你無法掌握所需的工具，這會是一項浩大的工程。這也是為什麼我們打造了這個端對端平台，如此一來，組織即可更便捷輕鬆地加以採用。
普及化人工智慧的過程中有哪些挑戰，而 Intel® 又是如何因應？
Bridget Martin：複雜性絕對是採用技術的最大阻礙。一如 Elizabeth 所言，資料科學家人才稀缺，在多數情況下薪資又高得令人咋舌．使人工智慧普及化的概念，是讓農民自己建立人工智慧訓練的管道和模型，以及部署、重新訓練並使其保持最新狀態，這些都將成為這項技術的可貴之處。
我們說的是將這些工具確實交到主題專家的手中。這樣我們才能跳脫窠臼，以品質檢查使用案例來說，你有一名工廠作業員，他通常要手動檢查通過系統的每個零件。自動化這種類型的場景時，工廠作業員一般需要與正在開發模型的資料科學家持續保持溝通，以便資料科學家確保他們用來訓練模型的資料經過正確標記。
那麼試想一下，如果你能從該流程中刪除多個步驟，讓工廠作業員或主題專家自己標記資料，賦予他們能力自己建立訓練管道，會是什麼樣的光景。讓非資料科學家擁有這項功能，這個想法聽起來很天馬行空；但這正是我們需要的工具，以真正實現人工智慧的普及化。
因為從你將工具交到人們手中的那一刻起，他們會開始思考創意十足的新方法，將這些工具用來建構新事物；那時我們將真正見識人工智慧技術的大爆炸。我們將見識到我、或 Elizabeth、或眾多資料科學家以前設想不到的使用案例。
Intel 在這個領域做了許多努力，以支持部署到獨特的情境並降低複雜性。例如，透過 Intel® Edge Insights for Industrial，我們協助將端對端管道相互串連，為使用者提供了一張藍圖，讓他們得以建立屬於自己的解決方案。我們也有配置部署工具來幫助系統整合商安裝技術。例如，如果系統整合商正在安裝攝影機，我們的工具可協助確定最佳解析度和照明。這些所有的因素對訓練及部署人工智慧管道和模型的能力都有很深遠的影響。
組織可以如何展開人工智慧的旅程？
Elizabeth Spears：現今網路上資源豐富，有許多課程及網路研討會等內容可供參考。Plainsight 有一整個學習專區，我們也為初學者提供許多「電腦視覺入門」活動。
不過我們也為專家舉辦活動，讓他們瞭解如何使用平台、如何加速流程和達到更可靠的部署。我們竭誠樂於和客戶合作。因此我們研究客戶從事的工作，找到其他可能適用的產品。我們希望可以確實將客戶從構想一路領到可用於生產且真正適用於其組織的解決方案。
Intel 如何透過其生態系統為合作夥伴、終端使用者和客戶提供支援？
Bridget Martin：我最喜歡的解決方法之一是與終端客戶真正進行合作，以了解他們最終想要實現的目標，再往回追溯研究。此外，人工智慧的好處之一是可以直接整合，而不必把整個製造過程打掉重練。部署攝影機與一些照明並將其和工具或流程整合相對容易。因此，這真的是最好的入門方法之一。
當然，我們可向終端客戶推薦各式各樣的生態系統合作夥伴和參與者，這些合作夥伴專精於客戶想要進入、或經歷某些痛點的的不同領域。
Plainsight 如何因應可擴展性問題，Intel 又是如何協助在這方面發揮影響力？
Elizabeth Spears：我們打從一開始就關注規模，因為我們的客戶擁有大量資料的大型使用案例。但看待它的另一種方式是透過組織擴大規模，這實際上又回到了向更多人推廣知識的問題上。我們會與公司內部的特定部門交談，有人會說：「我有的同事在別的部門，他遇到的問題不一樣。如果套用在他的狀況，行得通嗎？」
關於 Intel：由於我們是一個軟體解決方案，Intel 的硬體絕對是我們與之合作的一大原因。但他們與合作夥伴的關係也相當密切：將合作夥伴相互結合，為企業提供優異的解決方案。
你們兩位一致認為電腦視覺最令人興奮的新興機會是什麼？
Bridget Martin：我認為其中之一是可擴充性的概念。不僅可以擴展到不同的使用案例，也可以擴展到不同的硬體：現實情境中不可能只涉及一種類型的運算裝置。我認為這會帶來非常深遠的影響力，並真正有助於改變即將利用人工智慧的各行各業。
但真正令人興奮的是人工智慧普及化的趨勢：讓那些未必在人工智慧或機器學習領域擁有博士學位或受過專業教育的人能夠利用這項技術。
Elizabeth Spears：我同意。將易用可達的工具交到主題專家和終端使用者手中，讓快速實施解決方案變得輕而易舉，然後在此基礎上向外擴展。與其說是人工智慧的巨大轉型，不如說是識別所有你能快速著手進行的小型使用案例或基石，只要假以時日，這些小螺絲釘也能對企業發揮重大影響。
相關內容
如要進一步瞭解人工智慧普及化的未來，請收聽《Plainsight 與 Intel® 為各行各業實現人工智慧的普及化》（Democratizing AI for All with Plainsight and Intel®），並閱讀《使用無代碼平台建構 ML 模型》（Build ML Models with a No-Code Platform）。如要瞭解 Plainsight 的最新創新內容，請在 Twitter 上追蹤 @PlainsightAI，並在 LinkedIn 上關注 Plainsight。