AI趋势周报第120期：LINE三大事业体共12团队大举招募台湾人才

重点新闻(0207～0213)

  LINE     资料科学    人才 

LINE在台12个团队大举征才，要网罗AI、资料科学、资安等人才

LINE近日在台展开人才招募，包括LINE、LINE Bank和LINE Pay等三大事业体共12个团队，要来寻找台湾人才，范围涵盖AI、资料科学、资安、前后端、测试和用户端开发等领域。其中，LINE在台湾就拥有2,100万活跃用户，而今年的目标，是要全面运用AI来提升使用者体验，共有4个团队开出职缺，其一就是推动LINE Brain计划的LINE资料工程团队，要寻找NLP、OCR、eKYC的高手。

再来则是今年即将开业纯网银的LINE Bank，共有6个团队开出20多个职缺，像是LINE Bank App开发团队、LINE Bank核心系统团队、资安团队等，还有负责风管、支付、数位客服和辨识的营运支援系统团队。至于LINE Pay，有2个团队招募成员，分别是负责开发创新支付和金融服务体验的LINE Pay Development团队，以及规划产品上线测试流程、优化服务品质的 LINE Pay QA团队。LINE即日起接收履历，至3月9日止，经审核与线上测试后，将于4月25日台湾办公室举办最终面试。（详全文）

空拍影片     影像辨识     德国航空中心 

要赋予空拍机解读影片能力！德国航空中心发表空拍影片资料集

为加速空拍机影片自动处理影像的能力，德国航空中心（DLR）联手慕尼黑工业大学（TUM），发表空拍机影片资料集。该资料集名为空拍影片事件辨识（ERA），包含了25个事件类别、共2,866个从YouTube上收集且经标注的影片，每个影片都是24 FPS、长度约5秒。关于事件分类，团队首先从维基百科上收集24个事件，再新增一个非事件类别，放置其他无法归类的影片。这些类别包含了安全、交通、灾难、生产、社会和体育活动等。有别于其他资料集，团队也收集了在恶劣条件下拍摄的影片，比如低分辨率、极端照明和恶劣天气等。

此外，为了提供空拍影片专属的基准测试，团队也利用该资料集，来测试现有的深度学习工具，像是单帧影像分类模型和影片分类模型。团队发现，就游行或抗议、音乐会分类来说，时间关系网络（TRN）表现最好，显示TRN有潜力用来辨识较难区分的行为事件。（详全文）

  边缘AI     Arm    AI处理器  

再攻边缘AI市场！Arm发表两款AI处理器

锁定边缘AI需求，处理器大厂Arm日前发表两款AI处理器Cortex-M55和Ethos-U55。Arm指出，Cortex-M55是自家AI能力最强大的处理器，也是第一个采Armv8.1-M架构、内建Arm Helium 向量技术的处理器，可大幅提升终端数字信号处理（DSP）和机器学习（ML）效能，与前代Cortex-M处理器相比，DSP和ML可分别提升5倍和15倍效能，也更省电。

至于Ethos-U55，则是Arm针对Cortex-M推出的首个微神经网络处理器（microNPU）。Arm表示，Cortex-M55与Ethos-U55搭配起来，能因应需求更高的ML系统；与现有Cortex-M处理器相比，两者组合的效能可提升480倍。这两款AI处理器，最快预计明年初上市。（详全文）

  微软    语言生成       T-NLG  

突破软硬件瓶颈，微软发表170亿个参数的语言产生模型

微软发表最新语言产生模型T-NLG，具170亿个参数，是有史以来最大的语言产生模型，可产生单词来完成开放式的文字任务，还可回答问题、总结文件等。

微软能建立这么大的模型，是因为打破了软硬件技术的瓶颈。微软采Nvidia DGX-2配置，以InfiniBand连接加速GPU之间的通讯，并使用Nvidia Megatron-LM框架，以张量切分技术将模型分到4个V100 GPU上。此外也运用DeepSpeed函式库和ZeRO最佳化方法，使每个节点的批次处理大小增加4倍，减少了3倍训练时间。测试发现，在标准语言任务WikiText-103困惑度的量测表现，T-NLG比OpenAI的GPT-2和Megatron都还要低，此外，T-NLG还能应付零次问答，不需要上下文，就能直接回答问题。（详全文）

  Jigsaw    假照片    Assembler  

一眼看穿！Jigsaw发表可辨识假照片的平台Assembler

Alphabet旗下子公司Jigsaw日前发表一款实验性平台Assembler，整合了各种侦测技术，让新闻从业人员或事实查核人员透过单一平台，就能辨识影像的真伪。

Assembler整合了多种照片侦测工具，每个工具都有特定的用途，比如辨识照片中的“复制－贴上”程序，或是侦测照片的亮度有所变更。此外，Jigsaw也自行打造两款工具，一是专门用来辨识DeepFakes的StyleGAN，可区分真人与DeepFakes的不同；另一个工具是一套完整的模型，可整合不同侦测工具的结果，分析照片中曾被变更的动作，一次揪出照片中的所有古怪之处。Assembler目前仍处早期开发阶段，欢迎外界贡献各种侦测模型。（详全文）

脸书   PyTorch3D    电脑视觉  

脸书开源PyTorch3D电脑视觉函式库，要简化3D深度学习

脸书AI研究院近日开源自家PyTorch3D电脑视觉函式库，要利用PyTorch来简化3D深度学习的流程。脸书指出，该PyTorch3D是一个高度模组化的函式库，具一系列常用的3D算子（Operator）和损失函数，也提供模组差分算图API，让使用者可将函数导入深度学习系统。

进一步来说，PyTorch3D函式库融合了脸书自家的2D识别函式库Detectron2，将物体辨识能力带到3D领域。使用者可利用PyTorch3D，来进行多种3D深度学习研究，像是3D重建、光束调整法（Bundle adjustment）等，甚至是3D推理。与此同时，脸书也提出一套3D资料结构Meshes，可用来批次处理异质网格，使深度学习应用更有效率。（详全文）

Google    机器学习评估     ML-fairness-gym  

Google释出用来评估机器学习系统长期影响的工具

为提高AI透明度，Google日前释出一套分析模拟工具ML-fairness-gym，用户可透过简单的模拟，来了解机器学习决策系统在社会中的长期影响。

ML-fairness-gym采用Open AI的Gym框架，来模拟序列性决策。在这个框架中，代理人（Agent）会与模拟环境互动，并在每个步骤中，选择一个影响环境状态的动作。接着，环境就能显示代理人所参考的观察资讯，也就是用来影响后续行动的讯息。（详全文）

Google     自然语言生成      LaserTagger  

Google开源可即时产生精确文字的AI模型LaserTagger

Google团队开发一款AI文字编辑模型，可预测编辑操作序列，把来源文字转换成为目标文字。Google表示，LaserTagger是一种精确不易出错的文字产生方法，比过去的方法更容易训练，执行速度也更快。

Google在2014年提出Seq2seq方法，主要用于自然语言生成（NLG），像是段落融合、文字摘要和文法纠正等文字编辑工作。不过，Seq2seq有三大缺点，比如产生不支援的文字、需要大量训练资料、文字产生速度慢。不过，LaserTagger透过限制字汇表来缩小输出的决策空间，可避免模型随意添加字词，不易产生不支援的字。此外，就算只用数百或是数千个范例训练，LaserTagger也能产生合理的结果，Seq2seq则需要数万个才行。在速度上，LaserTagger预测速度是Seq2seq的100倍，因此更适合即时应用。（详全文）

图片来源／德国航空中心、Google、Jigsaw、微软

 AI趋势近期新闻 

1. HackerRank调查：开发人员最想学的程式语言是Go跟Python

2. Google释出多语言问答基准TyDi QA

3. Google搜寻技术加持，Waymo自驾车物体辨识能力再升级

4. 简立峰卸任Google台湾总经理后加入台湾新创Appier董事

资料来源：iThome整理，2020年2月