研华牵手偲倢突破AI规模化瓶颈

作者：DIGITIMES林稼弘

AI不难 落地才难

现今人工智能(AI)不仅是全球各国积极拥抱的“网红”科技，更是制造业满足少量多样生产需求、增进制造质量、传承工艺经验等多重目标的利器，所以导入 AI 的制造商不在少数；多数企业的 AI 概念验证(POC)成果不差，但迈向规模性上线运用的过程却往往失利。

偲倢科技总经理陈青炜指出，不少企业派员赴人工智能学校上课，培养出懂得建模分析的AI种子部队，他们也许能在POC阶段做出准确模型，但由于对工厂生态理解有限，也鲜少思考模型上线可行性，以致无法顺利规模化实施。纵使闯过这一关，后头仍有考验，只因资料分类、实施训练、拷贝模型直到部署上线的整个过程极为耗时费力，多数公司囿于工程师人力限制，造成AI解决方案规模化的进程受阻。

为促进制造业AI的“Scale up”，偲倢决定与研华合作，将其SmaAI深度学习视觉检测工具整合研华的人工智能模型训练与部署应用框架服务（WISE-PaaS/AFS），以营造自动化训练、自动化部署等独特利基，推倒过往的规模化障碍。经由这般合作关系，偲倢得以打造自动化瑕疵检测方案，广受半导体、被动元件等多类型制造厂的好评。

陈青炜表示，偲倢长期专注发展自动化软件方案，旨在帮助客户降低开发时间、提升工作／生产效率，例如推出SmaSEQ自动化开发平台，使客户无需费时撰写繁琐复杂的底层程序，便能轻易编排配置运动控制、视觉、I/O等等应用流程；至于 SmaAI 亦基于类似理念，透过偲倢提供的GUI、模型，让不懂AI的客户也有机会实施瑕疵检测。

偲倢的SmaAITrainer GUI，可支持自家提供的模型，也可支持第三方提供的模型，并透过研华MIC-770计算机、挂载一张 GPU 卡来执行模型训练工作。在前端POC阶段，需请AI工程师收集图片、分类、执行训练程序并验证训练成果，若成果符合期待，再以手工拷贝模型、载入产在线的计算机(例如研华 MIC-730AI)实施推论。前述过程若于 POC 阶段并无大碍，但假使需要将模型部署至产在线，针对几十台、几百台产线设备做大规模部署，将会耗费相当大的人力、时间、经费且难以管理，这是目前许多客户所遇到的关卡，于是询问偲倢有无大量部署AI的自动化解决方法。

Edge AI串联WISE-PaaS/AFS

偲倢原打算自行开发让AI模型能在外云端执行的功能，以满足产线自动化智能训练、部署与更新需求，得知研华推出 WISE-PaaS/AFS与偲倢的概念相同甚至更加完整，于是双方进行合作测试，直接将 SmaAI 引擎放入WISE-PaaS/AFS执行，证实产生不错成效。

具体来说，企业做好分图后，连同图档、训练程序一并上传 WISE-PaaS/AFS，即可在背景不断捞图档资料、做训练，持续更新模型，接着自动化部署到产在线，大幅降低模型训练的人力工时。显见WISE-PaaS/AFS足以帮助客户克服从POC迈向规模性上线之种种阻碍，堪称市场上罕见的 AI 规模化平台，促使偲倢决定与研华展开合作。

现在企业经由研华 Edge AI(含 MIC-770、MIC-730AI)串联 WISE-PaaS/AFS 云端平台，再结合偲倢SmaAI，即可汇聚为从端到云，从模型训练、部署到验证的一整套方案，企业无需兜额外元件，便能加速AI布局。

值得一提的，迄今WISE-PaaS/AFS功能仍不断精进，以近期推出的“超参数调校”(Hyperparameter Tuning)功能为例，深具实用价值。假使企业欲将某支模型同时部署到数百台设备，如果只靠有经验的工程师耗时调整数百次参数，效率必然不彰，又或者企业有时会面临多次再训练(re-train)仍无法提升模型精准率之状态，必须费时一再调整参数。

此时一旦借助AFS超参数调校功能，便可透过AI算法自动搜寻最佳参数，大幅减少人为 Try & Error 历程。目前支持的调参演算法包含 TPE、Random Search、Anneal、Naïve Evolution、SMAC、Batch tuner、Grid Search等等。