請更新您的瀏覽器

您使用的瀏覽器版本較舊,已不再受支援。建議您更新瀏覽器版本,以獲得最佳使用體驗。

科技

《WHATs NEXT》美國馬里蘭大學特聘教授暨工業人工智慧中心主任李傑:非傳統機器學習是未來發展方向,最終實現以人為本的價值

Knowing

發布於 09月04日03:00 • 洪嘉鎂

「大量數據往往缺乏背景、標籤或內容,使其難以直接應用,因此如何篩選、建模並預測成為關鍵挑戰。」美國馬里蘭大學終身講座教授暨工業人工智慧中心主任李傑,在第九屆《WHATs NEXT》未來科技產業高峰會中表示。

隨著大型語言模型(LLM)席捲全球,工業領域的人工智慧(AI)應用也正悄然革新。然而,與開放數據不同,工業AI的數據來源主要依賴於生產過程和客戶使用產品時產生數據。研究重點在於如何將這些寶貴的數據轉化為可建模、可學習,及可傳承的資源。

李傑表示,當中談的問題不是產品,而是數據生態,一個Large-Scale Ecosystem System。例如全球有24萬個風力發電機、GE有6萬到7萬個飛機發動機,或是 Tesla每年生產180-200萬輛電動車,關鍵在於如何利用這些系統產生的大量數據,並影響去進行下一個世代的設計與服務?

目前產業界常提到的可見數據、知識、方式,或是方式與新知識產生都是大家努力的結果。但李傑強調,You know what you know, but you don’t know what you don’t know。

他以航空業為例說明,飛機的飛行方式固然重要,但如何實現節油才是真正的挑戰,這涉及風速、濕度、天氣等多重因素,不同飛行高度也會產生不同影響,透過數據分析,我們可以發現隱藏的節油機會。同樣在船舶航行中,調整航行方向可能會剩下6%燃油量,這就是不可見的世界,也是數據的價值所在。

全球企業轉型方式正在發生變革,傳統方法往往依賴經驗摸索,而現代企業可以直接利用數據發現未知領域。李傑舉例說明,日本釀酒業使用數據分析確保每一批清酒口感的一致性,這種精準控制在過去只有極具經驗的企業才敢嘗試。

「例如台積電有80萬筆數據記錄,但經過篩選後,真正可用的可能只有約17萬筆,大約20%左右。」李傑指出,大量數據往往缺乏背景、標籤或內容,使其難以直接應用,因此如何篩選、建模並預測成為關鍵挑戰。

AI自1955年發展至今,2020年因OpenAI的突破而迎來產業新浪潮。李傑將AI發展方向概括為ABC:算法(Algorithm)、大數據(Big Data)和計算能力(Computing),在工業AI領域,還需要特別關注領域知識(Domain)、執行力(Execution)和回饋(Feedback),以推動知識經濟效應,最終實現以人為本的價值創造。

目前全球有95%以上在做傳統機器學習,但李傑投入的部分是非傳統機器學習。他指出,這種方法將機器生成的數據轉化為知識模型,進而應用於生產和設計過程,即透過傳感器收集的數據,經歷過篩選,最終透過層層篩選建立可用的整合。以電動車為例,可評估電池的使用健康度、駕駛習慣等面向,訓練自動駕駛,又或是在工業生產中透過數據訓練機器人,可能建立廠區的生產線時間將從六個月縮短至一個月。

這種方法將機器生成的數據轉化為知識模型,進而應用於生產和設計過程。例如,通過分析電動車的傳感器數據,可以評估電池健康度、優化駕駛習慣,甚至縮短自動駕駛系統的訓練時間。在工業生產中,這種方法可能將生產線的建立時間從六個月縮短到一個月。

李傑強調,未來需要新的思維模式,將數據、領域知識和紀律性相結合,建立並維護產品的生命週期,要在AI中間找到能落地的方式,這些都是需要被發掘的領域,業界不應盲目追隨傳統路徑,而應該探索AI落地應用的新領域,因為產業轉型的步伐正在加速。

0 0
reaction icon 0
reaction icon 0
reaction icon 0
reaction icon 0
reaction icon 0
reaction icon 0

留言 0

沒有留言。