自動標籤加速機器學習
預測指出，到了2040年，可能會有多達 3,300萬輛的自動車輛行駛在世界各地的道路上。但前提是：未來這些無人駕駛的汽車、卡車和公車，都必須能安全上路。台灣一家創新公司正試圖解決這項巨大的技術挑戰：以一種AI來訓練其他 AI 系統，讓無人車能夠 「看到」車行方向以及周遭環境的各項物件。
寶蘊凌科（Linker Networks）創辦人暨執行長謝源寶表示，公司目前正與全球汽車製造商攜手打造AI系統，讓車輛能帶著完美圖像識別功能上路。為此，系統會透過機器學習來識別數百萬個物件的數位影像，包括其他車輛、道路、標誌、行人以及包羅萬象的各種特徵和物件。要做到這一點，首先必須識別並標記所有這些物件的圖像。「現在很多公司都發現，要雇用幾千個人來手動完成圖像識別標記，非常困難，因為這是勞力密集又很花時間的工作。」謝執行長解釋，「每個人還都不能鬆懈，注意力絲毫不能放鬆，但這也意味著會有自然人為錯誤的可能，而一個錯誤就會影響整個資料集的品質、拖垮整體效能，甚至降低模型的安全級別。」
謝執行長舉例說明，人工完成一個汽車的數位標記工作可能得花30秒—也就是說，要處理一億張汽車圖像的數位標記，會需要一千個工人花上超過一年的時間才能完成。不過想像一下，現在只需按一個鍵，就能給所有那一億張資料貼上標籤。這就是自動標籤（auto-labeling）可以帶給你的，也是Linker Networks最新的 AI 業務。
機器學習快車道
系統會透過預先訓練完成的模型來標記數位影像，透過傳輸學習技術（transfer learning technology）識別物件。這種技術允許機器將現有知識應用於各種類似的場景。例如，受過識別汽車訓練的系統，可以應用相同的演算法來識別其他車輛，如公車或卡車。「如果你輸入一張包含大約100輛汽車的圖像，點擊自動標籤按鈕，那麼大多數圖像會在幾秒鐘內就完成自動標記，精確度也非常高。」謝執行長說。「如此一來會省下大量時間，也提高圖像識別品質。」
精確度也提高了。同時，人工檢查和校正也持續進行，確保接近100% 的資料準確性。透過這樣的流程，不到一天就可以完成數百萬張圖像的標記作業。與手動標記相比，自動標記省下七成的時間，成本也省下至少六成。謝執行長分享，「Linker 的自動標記模型使用 Microsoft Azure 機器服務，讓客戶手動挑選圖像進行自動標記並儲存，藉此降低成本、提高工作效率並提高準確性。」
過去從事手工標記的員工，已經可以熟練掌握自動標記演算法的品質控制, 亦即進行所謂的「機器教學」。這樣的AI 模型目的是從人身上獲得知識，而不只是從資料中萃取知識。人們引導 AI 系統學習已知事物的同時，工作會需要更多批判性思考，而非重複單調的作業。「Linker 的資料科學家能夠專注於開發人工智慧，並讓 Azure 擴展他們的人工智慧培訓工作。」 謝執行長解釋。
無限可能
最終，透過 AI，寶蘊凌科的目標是讓汽車製造商製造出更智慧、更安全的車輛。通過自動標記技術，Linker Networks預見在不久的將來，安全的自動駕駛技術就會實現。除了自動駕駛，工廠也可以透過自動標記來檢測產品瑕疵，零售店用來識別偷竊，或用於分析車輛以加強安全性。謝執行長說，「自動標記系統讓我們能夠藉助 AI 的優勢，使人們發揮潛能做他們最擅長的事，同時提高效率和安全性。」
