逐步實現AIoT開發旅程 躋身新經濟賽局贏家

AI演算法、車聯網與嵌入式運算等三大技術同步到位，方能使自駕車願景付諸實現。來源：analyticsinsight

毫無疑問，「智慧物聯網」(AIoT)無疑是近年非常火紅的技術辭彙，其應用觸角遍及全球各式各樣的垂直場域。例如工廠，可利用特定的機器學習模型來量測IoT相關設備產生的數據，接著反饋給設備，指引它有效執行自動化製造、電源控制、預測性維護等對應作為，落實智慧製造目標。

事實上萬變不離其宗，與智慧工廠近似的AIoT應用邏輯，也可顯現於其他不同的情境。比方說醫療產業中的精準醫療、預防醫療，當個人藉由穿戴式裝置將生理狀態數據上傳至雲，醫療體系即可據此即時監控病患的身體狀況，從而提出預防性的治療或保健建議，一旦病患日後就醫，醫師也能迅速提供精準診療。

除此之外，近幾年來眾所矚目的自駕車題材，更是重度依賴AIoT技術的應用情境，能夠為原來僅具機械性能的汽車，賦予感知和學習的能力，讓汽車能自行精準判讀路況等外在環境、繼而執行對應的操控，藉以消弭傳統人為駕駛難以規避的交通意外事故，同時大幅降低每單位距離下的移動成本。

由此可見，若說AIoT是支持數位經濟蓬勃發展的關鍵動能，完全沒有疑義。然而，正所謂萬丈高樓平地起，企業欲從無到有建造出屬於自己的AIoT應用堡壘，整個過程難免充滿諸多挑戰。

一邊訓練一邊調參  淬煉出最佳模型

其中最重要的起手式即是「選定題目」，企業急欲解決的經營痛點，只有企業自己知道，以製造業為例，可能是瑕疵檢測效率太過低落，也可能是生怕生產機台驟然停機而釀成巨大損失，總之企業必須先定好具有意義的前提假設，才能展開後續的AIoT布局。

當選定有意義的題目後，下一步即需根據這個命題來收集資料、並且進行資料標註。以瑕疵檢測為例，眾所皆知必須結合電腦視覺、深度學習，但麻煩的是，按理說必須先有充足的訓練資料，才能打造出有效的影像辨識應用，反之若資料不足，便難以展現預期成效；但要企業生出幾千張甚至幾萬張產品的影像資料真的很不容易。

值此時刻，企業不妨先下一番研究苦功，跳開一般常見的監督式學習模式，轉而朝向遷移學習、生成對抗網路(GAN)等其他技術推進，藉由「小數據」來尋求突破、減輕資料收集負擔。至於資料標註、也就是所謂的貼標籤部份，則可引用AI輔助標註機制(AIAA)，加快標註效率。

接下來企業需要將標註好的資料，存放至資料融合運算平台。然後企業有兩種選擇，其一可利用Cube建模方式，根據這些資料建立商業智慧(BI)儀表板，藉此洞察歷史數據背後隱含的趨勢脈絡；如果要進一步實現預測功效，則必須採用AI機器學習或深度學習的做法，利用適合的演算法、輔以必要的關鍵屬性參數，展開模型訓練工具。

當然企業不見得第一次或第二次，很快就產出令人滿意的預測模型，所以有必要不斷推動模型訓練，一邊做、一邊調整參數，最終淬煉出精準度達到一定水準之上的優質模型。

打包為Web Service或Container  落實邊緣推論

一般來說，受限於地端儲存媒體、GPU運算資源有所不足，愈來愈多企業會傾向結果公有雲平台的資源，來推動資源耗用相當繁重的模型訓練工作。

但即便最佳模型的出爐，充其量僅有「最低可行產品」(MVP)的概念，只能算是好不容易從0走到1，接下來要想發揮最大的效用，則必須從1再走到100，也就是把模型真正導入到場域，配置到可能幾百台、幾千台邊緣端裝置，以便於日後無需頻頻重返雲端、即能就近發揮AI推論功能。

可喜的是，針對從1到100的這段旅程，許多公有雲平台都已提供自動化流程輔助，可輕易將模型封裝成為Web Service或Container型態的推理引擎，然後利用OTA遠程部署模式，將它佈建到地端的設備當中。

假使企業認為推理引擎已趨成熟精進，可以選擇將它燒製成晶片，形成標準化的AIoT微型服務，爾後就日復一日執行即時性的分析與判斷工作。如果模型可能隨著時間的推演造成績效下滑，還可由現場維運人員自行操刀，透過標準化機制輕鬆展開模型再訓練、再派送，促使檢出率不斷提升。

值得一提的，IoT技術歷經多年演進，從雲平台建置、連接大量連網裝置的階段起始，後續再結合大數據分析、AI 與邊緣運算等能量挹注，已使得「資料驅動」創新思維蔚然成形，接續繁衍出愈來愈多精采的智慧應用服務。

如今再結合5G的高(頻寬)、低(延遲)、大(連結)三大關鍵特性，可說進一步消弭了AIoT環境中資料傳遞的阻礙，形同打通任督二脈，讓AIoT應用更加即時、安全，連帶使智慧化的時代加速成形。