工研院大秀AI研发新成果，O2O服饰试穿推荐、餐饮顾客影像识别，还有自动侦测入侵者的监视器

工研院在今年ICT TechDay（资通讯科技日）中，展示AI应用于各行业的解决方案，包括时尚服饰业线上线下的个性化推荐与智慧试衣、餐饮业顾客的行为侦测、跨摄影机的影像识别技术等，也展出了推动AI落地而开发的多项工具，如深度神经网络（DNN）推论加速芯片的客制化技术、以及训练DNN模型的管理平台。

O2O服饰试穿推荐“易赏”

服饰产业能透过AI技术，加值线上与线下消费的体验，国际上不乏应用案例，具代表性的例子有Amazon的Echo Style Check，能用Alexa声控相机拍摄不同穿搭照片，再由内建AI推荐时下流行穿搭；或像阿里巴巴设立了AI服饰店，根据淘宝50万组时尚达人穿搭，提供个性化衣着搭配或单品穿搭建议。

趁著服饰业AI热潮，工研院也推出一套涵盖线上与线下的智慧时尚应用方案，称为“易赏”，以服饰电商超过500万件的服饰图像标记作为训练资料，撷取出服饰特征，包括款式（上半身、下半身或连身套装）、颜色、袖长、下䙓长度、口袋、领口、纹理等标记，训练出AI模型来辨识服饰风格，省去人工标记的成本，不但可以进一步应用于消费者的个性化推荐，也能借由销售数据，即时分析受欢迎的风格，抓住时尚的趋势与潮流。

线上的应用主要在于服饰属性辨识与智慧推荐，线下则是要打造沉浸式情境试衣间，让消费者透过平板或手机选出喜欢的服饰，进入试衣间后，会由人员或自走车来配送衣服到试衣间旁边，而每件衣服上都有感应装置，当衣服被拿取，试衣间内会场景根据衣服的风格来转变，比如拿取宴会风格的衣服，背景将自动切换为宴会场景；此外，试衣间内也提供手机自拍架，让消费者能轻松自拍与亲友分享，借此来提供更好的试穿体验。

工研院资通所经理连俊宏表示，工研院要借着易赏的应用，让消费者有良好的试衣体验来增加购买概率，并透过个人消费数据进一步个性化推荐不同风格的商品；同时，也要让经营者借由销售数据洞悉服饰潮流的趋势，来调整各种服饰的进货与库存量，进而减少库存、降低滞销风险。

首先，先站到摄影机与面板前方，透过影像辨识，系统会自动分析顾客的衣着款式、风格等特征，并根据顾客衣着风格来推荐店内同风格的服饰。

试衣间内部会有背景屏幕，随着顾客拿起不同风格的衣服，看板画面也会随之改变，如宴会风格的衣服会对应宴会风格的背景。

餐饮业专用顾客行为影像识别

工研院另外也发表了一套餐饮业专用的AI影像顾客行为识别技术。首先，在结账台前，用数位看板等感应装置分析顾客人脸属性，包括年龄、性别、表情等，接着与后端POS机的餐点内容做整合，来进一步推测不同年龄、性别的消费者点餐内容的差异，可供业者结合行销手法进一步加值运用。

此外，这套系统也能侦测座位状态，包括是否空桌、可否带位，或是桌面待清理等，都可以直接透过系统更新，让服务人员更快速清出空位、带入新顾客，来提升营运效率；此外，系统也能侦测顾客举手的行为，是什么时间点、几桌？即时通知服务人员回应顾客需求，而第一线服务员也能在服务过后，回到后台注记下服务内容，比如这次桌边服务是帮客人倒水、换餐具或是递纸巾？精准纪录下这些资讯。

工研院资通所经理苏奕宇表示，曾有人怀疑行为侦测等功能是否为AI而AI，并没有真正改善餐饮业的痛点，然而，餐饮业者在提升服务品质过程中需要精准资讯，比如借由侦测举手行为并精准记录服务内容，可以用来推测服务人员为何常帮客人换餐具的原因，是否因餐具清洁有问题；或者经常要倒茶水的解方，可能是每桌事先备好一壶茶水等。唯有搜集这些细节资讯，才能让人力运用更有弹性、做好成本控管，进而改善消费者体验。

经济部去年预估，全台餐饮业市场逐年成长4％，今年将超过突破5,000亿元。苏奕宇表示，但餐饮业入行门槛低、变动步调快、营运弹性大，随着竞争越来越激烈，提升服务品质、消费者创新体验，成了餐厅长期经营的关键。

点餐时可以侦测人脸属性；结合监控摄影机，也能侦测顾客举手行为与餐桌状态。

跨摄影机的影像识别平台

工研院研发了一套与监视器结合的影像人物辨识平台MEDUSA（Massive Enitities Detecting in Ubiquitous Surveillence Application），不仅建立一个平台提供跨摄影机影像识别，也有即时分析影像的仪表板，可侦测特定行为异常的入侵者，立即报警。不同ˊ于常见监视器系统主要以人员监看或录影回放为主的基本功能。截至今年第二季，这套系统已经在工研院内与部分商场等5个以上的场所，开始试营运与验证。

这套系统的应用方式，是在一个封闭场域装设好监视器后，若有非验证的人员进入，出入口监视器首先会侦测人物，并萃取人物的影像特征，再跟场域内多支监视器进行人物影像特征比对，同时借由管理系统，将该入侵状态的事件内容、时间、位置输出到仪表板，或将异常资讯传送到警卫人员的App来报警，达到人机协同合作的目的。

苏奕宇表示，以工研院约40米长的办公场域为例，在监控画面中，若有人员在两个出入口刷卡后进入，客人头上会显示Guest ID，职员则会显示员工ID等资讯，仪表板能监控每个人的实际状况；然而，这时若有人突然从逃生门、安全门进入该场域，系统将马上侦测到异常并即时报警，也能根据不同场域的设定显示不同异常状态，例如是禁区遭入侵、或是不该有人的时段却有人出现等。

该系统的另一个特色，则是快速部署，“中小型场域在2-4小时内就能完成布建，并开始实际运作，像昨天在展示会场布建6支监视器，总共花4小时。”苏奕宇也强调，这个系统开发的目的不是要取代现有的保全，而是透过健全的影像侦测系统，让现场保全人力能在关键时刻发挥作用。

监视器可以侦测并非从出入口进出的人员。

影像分析资讯会传送至仪表板或手机App，即时发出告警。

客制化设计DNN推论加速芯片

专门用于加速DNN模型推论的芯片，称为“DNN推论加速芯片”。由于加速芯片需要配合不同DNN模型与实际应用情境来进行客制化设计，但目前市面上并无一套系统化的开发工具，因此，工研院引用了开源深度学习加速器架构 NVDLA（Nvidia Deep Learning Accelerator）作为基础架构，提供企业一套从架构设计到验证的芯片设计方法，缩短企业设计芯片的时程、能快速抢进AI芯片市场。

由于DNN模型的网络通常很庞大，为了部署到运算效能有限的芯片中，除了借由减少数据从内存搬运的次数来降低功耗，更直观的方法是运用平行化运算的架构来加快运算速度。然而，平行化加速运算会受限于资料传输的带宽（Memory Bandwidth），且每个DNN模型在不同运算效能（GOPs）与带宽（GB/s）下，会得到不同的每秒传输帧数（FPS），因此在设计上有其最佳化的设定，“这是模型本身的特质，因此需要客制化硬件架构。”工研院资通所技术组长朱元华表示。

NVDLA是Nvidia 2017年公开释出产品Xavier中的深度学习加速器，允许使用者修改源代码，再制成自己的产品，也就是说，提供他人客制化自己的AI推论加速器，且由于 NVDLA涵盖了AI运算中重要的运算子（operator），包括卷积（Convolutional）、逐元素（Element-Wise）、池化（Pool）、非线性（Nonlinear）等处理器（Processor），因此能适用多种DNN模型。“假设企业想开发特定模型的AI芯片，使用开源架构是一个很好的起手式，只要在后续的设计上多着力即可。”

客制化设计AI推论加速芯片的流程。

训练DNN模型的管理平台

除了DNN推论加速芯片的设计工具，工研院也推出一套用来训练DNN模型的平台，要让企业缩短建置AI环境的时间。这个平台从数据库、人员权限、模型版本、运算资源都能管理，例如数据库的管理，使用者可以建立各个专案中已标记／未标记的资料等，而不同人员权限可以开启的数据库、专案、运算资员也不同。

使用者需要训练AI模型时，先建立专案，能使用平台内建的开源算法，或是自己开发算法来训练模型，而每一次训练过程调整的参数，可以建立成历史纪录中的不同版本，日后可以一键回顾每一次的版本资料与训练情形；此外，系统也提供Jupyter Notebook让用户开发算法，用户可以在此上传自己的程式码来训练，甚至可以安装所需的软件，只要在开发完成后将整个环境储存，下次就能用同样的环境来训练模型。

运算资源的管理，则是靠系统自行排程，将各专案的模型自动部署到没有在运行的GPU上，假设GPU 1、2都有在用，系统就会排程到GPU 3或4去做运算，也能设定运算资源的使用上限；而系统界面则可以监测GPU的使用率、温度、内存用量等，随时掌握运算资源的使用情形。目前，这个平台主要提供部署于私有云之上，目前尚未能在公有云上使用。

DNN模型管理平台界面。