在稍早由 NVIDIA 與工業局合辦的 AI 策略高峰會，也請到由被譽為 AI 教父的吳恩達 Andrew Ng 創辦的 LandingAI 代表 Dongyan Wang ， NVIDIA 產業市場發展與策略部門的 Piyush Modi 博士，以及矽品科技萬國輝處長，個別就 AI 於技術應用、 AI 部屬與實際導入案例進行分享。
落實 AI 落到的 LandingAI
▲ Dongyan Wang 表示 LandingAI 的使命是落實 AI 落地協助企業快速轉型
代表 LandingAI 的 Dongyan Wang 表示，其企業使命如同企業名稱一樣，以輔助企業能夠 AI 落地，藉由 AI 進行企業轉型，其創辦人吳恩達同時也是建構 Google Brain 與百度 AI 資深科學家；當前 LandingAI 專注於兩個領域，其一是影像辨識的工業視覺檢測，這也是當前在智慧製造相當重要的一環，相較傳統數據分析更容易部屬，另一個則是打造許多的 AI 模組，並與企業合作將 AI 的 DNA 融入企業，藉由與企業合作為企業植入 AI 的技術，並希望當一兩年後企業能夠藉這些經驗發展屬於自己的 AI 解決方案。
▲ AI 視覺應用能夠較傳統產線檢測更精確且具效率
▲藉由影像分析可偵測傳統產業檢測系統無法察覺的生產瑕疵
▲ LandingAI 的技術聚焦在活用機器視覺漁產業檢測
此次也介紹 LandingAI 兩大機器視覺檢測，其一是基於機器視覺的工業缺件檢測，相較傳統機器視覺的工業檢測，藉由基於機器學習的培訓，提供合宜各領域組件的自動檢測方案，除了提供遠高於人力檢測的效率，並對比傳統機器視覺更能因應不同產業的生產，諸如車輛零件、真空檢測、藥物生產、表面工藝、 PCB 與焊接，都可利用 AI 學習因應不同的需求。 Dongyan Wang 表示，藉由 AI 的產線檢測，不僅提高產品的生產良率，對於高級商品的生產，更能大幅減少細微瑕疵，為產品與品牌提高附加價值，他也指出，另一個問題是人工檢測由於無法學到專業技能與高度勞力密集，導致勞動人口劇烈減少，導入 AI 技術也越來越急迫。
▲利用 AI 偵測手勢
▲藉由紀錄與分析產線人員的操作，提升產業人員的生產力與降低錯誤
同時 Dongyan Wang 也介紹今天甫刊登在官網的另一項 AI 工業視覺應用，是應用在產線人員技能的評估，這項應用利用在產線人員前方安裝攝影機並偵測產線人員的生產流程與行為，搭配數據分析後，可進行產線工人在各階段的生產技能的評估，能夠幫助產線管理者協助產線工人提升其生產技能與效率，同時相較傳統基於軟體 AI 的產線監測，可使用更簡化的設備與能夠持續更新的硬體，不僅在結合 AI 與 GPU 後更為快速，使準確率能較傳統軟體最高 95% 提升到 97% 以上，但同時又有更低的成本與分析效率。他也提醒產業，要導入 AI 技術前，不要急於建構模型，而是要設立明確的定義，藉由完整且嚴謹的定義所培訓的模型才能正確落實自動化檢測。
NVIDIA EGX 平台協助企業從邊際到雲端建構統一的 AI 平台
▲ Piyush Modi 博士介紹國外 NVIDIA 合作夥伴應用 AI 案例
▲能源探勘是相當重要的 AI 應用場域
NVIDIA 產業市場發展與策略部門的 Piyush Modi 博士在今天的策略峰會分享 NVIDIA 合作夥伴的應用案例，其中也包括如何將 AI 活用在能源探勘領域，以及產線自動化應用等，這些也是在近年 NVIDIA GTC 活動中所分想過的，而對於台下與會者而言， Piyush Modi 博士所介紹的 NVIDIA AI 產業平台與 EGX 平台應該會是他們所關注的領域。
▲ 透過軟體與硬體的結合，使產業迅速導入 AI 應用
NVIDIA 的 AI 平台策略與其它 GPU 加速平台有著相近的輪廓，以從硬體、 AI 框架的模式，讓企業能快速的將 AI 活用在對應的技術，舉凡數據管理、資料分析、影像辨識等，有助於產業自研發、模擬到生產，皆可受惠 NVIDIA AI 平台帶來的效益，同時結合邊際、平台、數據中心到雲端，使企業可針對不同規模進行選擇。
▲ EGX 平台能夠透過統一開發環境針對不同需求部屬 AI
同時今年所宣布的 EGX 平台，更是針對 AI 部屬提供不同規模的開發一致性，使從基於 Jetson Nano 、 Xavier + T4 加速器、基於 T4 的工作站到基於 T4 的大型伺服器，皆可透過訓練單一模型進行部屬，並使彼此之間透過 Mellanox 、 CISCO 等提供儲存、網路與安全的服務。
矽品 ADC 計畫一步一步將 AI 落實於封裝產線檢測自動化
▲矽品萬國輝處長自嘲在接觸此計畫前完全不懂 AI
▲傳統的 AIO 無法探測瑕疵區域是否影響功能完整性，最終仍需由人工復判
國內知名封裝廠矽品科技也由主導 ADC 計畫的萬國輝處長介紹他們如何在 9 個月內落實基於 AI 的 AOI (自動光學檢測)，在封裝產業當中， AOI 是作為檢查封裝晶片是否有瑕疵的重要手段，而過去雖然已使用機器視覺，但卻是僅透過 Golden Sample 作為對照組，無法判斷封裝上出現的瑕疵是否會影響實際運作，有時候一些區塊是完全不影響機能，但又有些區塊只要些許瑕疵就會造成功能異常，最終仍需進行人工復判，但卻出現 AOI 判讀出的疑似瑕疵晶片僅有 1% 是無法使用的情況。
▲矽品 ADC 方案至今僅 9 個月已有超出預期的成果
矽品為了改善 AOI 的效率，在約九個月前展開 ADC 計畫，而最終由原本即是客戶的 NVIDIA 所提供的 AI 方案脫穎而出，在先前的合作計畫，就已經擬定導入 DGX-2 作為 ADC 計畫的訓練設備，然而由於 DGX-2 過於搶手，在 2018 年第四季到 2019 年初先陸續使用消費級的 GTX 1080Ti 、 RTX 2080 Ti 進行初步的 DL 開發，而後待 DGX-2 安裝後，透過在產線架設基於 8 張 Tesla T4 的系統作為基礎設施，不過萬處長指出，若以算力而言 4 張 Tesla T4 就應該充足，但考慮產線需要備援，故仍添購備用計畫共 8 張 Tesla T4 。
在系統上線至今，矽品與原訂的計畫約落後 1 到 2 個月完成 DL 模型的驗證以及基礎設施的資料拋轉整合，不過效果令矽品相當滿意，當前的模式是與 AOI 搭配人力復判並行，但最終的目標是大幅降低人力復判。萬處長表示，他在接觸此計畫前幾乎是不懂 AI 的，是到計畫確立才開始研讀相關資訊，當前 ADC 小組也僅有 4 位甫入業界的新鮮人，卻在與 NVIDIA 合作之下已經能完成高效率的 AI 系統建置，顯現 NVIDIA 的 AI 平台是相當容易建設的。
▲矽品在模型培訓遇到較大的問題是缺乏充裕的瑕疵晶圓樣本
不過矽品指出，在歷經開發後，他們也發現 AI 模型的培訓並非一味丟進大量的材料，而是要提供有價值的材料，如矽品在模型培訓所遇到的最大問題就是良好晶圓與瑕疵晶圓的比例懸殊，過多的良好晶圓圖片與相對僅有些許的瑕疵晶圓圖片，對於用於檢測瑕疵的 DL 模型訓練並無幫助，其次由於產線 AOI 設備也因為採購時間，拍攝品質也有所不同，使矽品難以提升有效樣本基數。
▲矽品認為九個月有此成果相當滿意
萬處長表示，雖然矽品的終極目標是要將所有的光學檢測交由 AI 判斷，不過他認為要完全屏除人力是不可能的，畢竟除了一些潛在的問題外，包括產線 AOI 設備的拍攝角度是否偏移，恐怕仍需由人力協助判斷；但他認為 AI 應該還可為光學自動檢測帶來更多的可能性，例如由 AI 產生虛假的瑕疵樣本作為 DL 模型培訓的素材，藉此加速系統的 DL 模型訓練，當前矽品也預計在第三季之後將 ADC 計畫拓展到三個產線，不過還未決定屆時的硬體架構。
