AI趋势周报第112期：变脸不必再靠GAN！韩国发表MarioNETte来以假乱真

重点新闻(1129～1205)

GAN     MarioNETte     影像生成  

变脸不必再靠GAN！韩国发表MarioNETte来以假乱真

韩国科技公司Hyperconnect发表一套新框架MarioNETte，只要几张（甚至是单张）A脸影像，就可产生出B脸的新动态表情，打破过去生成对抗网络（GAN）的限制。研究团队指出，过去，生成以假乱真的人脸动态表情，多半是透过GAN，将A脸的表情，合成到B脸上。由于是两张不同的脸，GAN至少需要数分钟的训练资料才能完成，此外，还有可能发生身份配对错误、训练资料太少而失败的问题。

于是，团队想出一个办法，利用影像注意力机制和目标特征对齐方法，在产生新影像的时候，就直接放入目标脸的特征。此外，团队还设计出新颖的特征转换器（Landmark transformer），以非监督方式调整身份配对错误的问题，因此不需要额外的标注资料。这个方法，只需要几张A脸的影像，就能用来生成拥有A表情的B脸，甚至不需要微调。后来，团队也将MarioNETte与SOTA等级的模型相比，结果显示，在大多数测试下，MarioNETte的表现高于现有的SOTA模型。（详全文）

 Gartner     数位分身    十大趋势  

Gartner在台揭露明年十大策略科技趋势，吁CIO善用RPA与数位分身

国际研究暨顾问机构Gartner在台揭露2020年十大策略科技趋势预测，包括超自动化、自动化物件、专业知识全民化、透明化与可溯性 、AI安全性，以及分散式云端、更强大的边缘运算、人体感知强化、多重体验，以及实用性区块链等。其中，Gartner大中华地区资深合伙人龚培元建议，为进一步加深数位转型，台湾CIO应着重超自动化，先是利用RPA，串联起不支援API的老旧系统，达到任务自动化后，再透过智慧企业管理系统（iBMPs），执行流程自动化。接下来，则是利用AI等技术，打造企业组织的数位分身（也就是一个虚拟的企业），再利用实际取得的营运数据，来模拟各项业务表现，再将模拟产出的资讯，作为实际营运的参考，形成数字化营运。（详全文）

  Google     肺部病灶     裁决标签  

Google训练出可判读多种肺部X光片病征的AI，也一并释出裁决标签

Google日前发表深度学习模型，可判断胸部X光片中四项临床重要的肺部病灶，分别是气胸、结节和肿块、骨折以及气腔阴影，而且判断的精确度与放射科医生相当。Google利用两个未经辨识的影像资料集，包括阿波罗医院胸部X光片，以及美国国家卫生研究院的ChestX-ray14影像资料集，总共约60万张X光片影像。

由于数量庞大，无法人工一一标注，Google另外开发了文字深度学习模型，从去识别化的X光报告中撷取关键字，当作影像的加标签，同时还由放射科医生检视37,000张图片，来提高标签品质。这个深度学习模型的精确度与放射科医生相当，而且能发现放射科医生一致忽略的特征。（详全文）

 纽约大学    乳癌       ResNet  

精准度Up！纽约大学用CNN来改善乳癌X光片判读

纽约大学训练深度卷积神经网络（CNN），用来判读乳房X光片、找出病征，其精准度还高于单个放射科医生。为训练乳癌判读模型，纽约大学首先建立了乳癌筛检资料集，内含100多万张乳房X光片。再来，由于乳房X光片分辨率高，碍于GPU内存限制，团队调整了模型架构，建了一套较轻的22层ResNet模型。另外，团队也训练了50层的ResNet-50模型来分类图片补丁（Patch），而非整个乳房X光照片，来侦测局部病变特征。未来计划将AI模型整合至乳癌筛检流程。 （详全文）

Nvidia    联合学习     资料隐私  

Nvidia推出联合学习应用程序Clara FL，可共享模型不分享患者资料

Nvidia日前在北美放射学会（RSNA）上，推出分散式AI模型训练应用程序Clara Federated Learning（FL，联合学习），使用者可在本地端的Nvidia EGX服务器上执行模型训练，而训练好的结果，会传送到联合学习服务器，与其他共同开发者分享。Nvidia指出，这个作法只会分享模型权重变动的内容，不会分享患者资料，因此能保障病患隐私。美国放射学会、麻省总医院和加州大学洛杉矶分校附属医疗中心等机构也将采用这个技术。（详全文）

AWS    Kubernetes     机器学习  

AWS让用户以自定义资源在K8s丛集部署SageMaker机器学习

AWS机器学习服务Amazon SageMaker推出3种支援Kubernetes的Operator，可在Kubernetes丛集上部署，作为其自定义资源，来执行机器学习模型训练、调校和预测工作。目前这项服务在美东、美西和欧洲等地提供。目前提供训练、调校和预测3个Operators，每个Operator都可让用户透过Kubernetes API或kubectl等命令列工具，以原生方式建立与操作工作负载；企业工程人员也可以直接使用这些Operators，在Kubernetes中为资料科学家建构自动化程式、工具以及自定义界面，而不需维护底层的机器学习基础设施。（详全文）

美国能源部    HPE     AI Ops  

美国能源部要用AI Ops自动管理资料中心，锁定异常预警和节能

美国能源部国家再生能源实验室（NREL）宣布联手HPE，展开AI Ops研发专案，要透过AI来自动调整资料中心的弹性复原力与能源使用率，来因应百万兆级（Exascale）的运算需求。

这个专案为期三年，NREL要透过这个专案，在自家HPC资料中心的电力与散热系统中，导入异常预警模型。进一步来说，NERL的两台超级电脑Peregrine和Eagle，以及实验室设备中的感测器等，在过去五年收集了16TB的资料，而NREL要利用这些资料，来训练异常侦测模型。

另一方面，NREL也将透过这个专案，来解决资料中心的用水、用电需求。美国资料中心的用电量预计在明年达到730亿度（kWh），用水量也将达到1740亿加仑。因此，NREL锁定能源使用效率、水利用效率和二氧化碳利用效益等衡量指标，利用历史资料训练AI模型，来自动调节能源使用，来达到最佳的能源效率和永续性。（详全文）

图片来源／Google、Nvidia、Hyperconnect

 AI趋势近期新闻 

1. LINE商用AI要进台湾了

2. 甲骨文推出全球首款自主操作系统Oracle Autonomous Linux

3. AWS推出自家程式码导师CodeGuru，替用户揪出浪费运算资源的程式码

4. 抢攻制造业IT、OT整合需求，IBM联手台湾多家SI厂商合推智慧制造整合服务

资料来源：iThome整理，2019年12月