AI趋势周报第150期：如何成为AI专家？德国AI新创超详细AI人才养成蓝图3周就获得GitHub 5,300颗星大推

重点新闻(1113～1119)

AI人才     德国新创     资料科学家  

如何成为AI专家？德国AI新创超详细AI人才养成蓝图3周就获得GitHub 5,300颗星大推

AI在日常生活中的角色不断扩大，企业和社群也不断寻找方法，来学习AI知识、跟上产业趋势。最近，德国一家软件新创AMAI设计了一套互动式的AI专家蓝图（AI Expert Roadmap），将AI专家分为五大类，如资料科学家、机器学习专家等，并根据每一类提供所需的技能和学习资源，像是附程式码的论文、版本控制、更新日志、经典类神经网络等，使用者也可客制化来设计自己所需的技能。

这份AI专家蓝图，本来是AMAI内部技术训练指南，由于好评不断，他们决定在GitHub上释出，三周来已获得5,300颗星星。AI专家蓝图涵盖五大类专家养成途径，包括资料科学、机器学习、深度学习、资料工程、大数据工程；在每个类别中，会以基础知识和专业技能来区分，并提供相关的技能学习和资源连结，比如在深度学习类别中，就涵盖了论文、类神经网络、架构、模型训练、工具和模型优化等子集，使用者可透过子集中的模组资源来强化自己的知识。（详全文）

  YOLOv4     物件追踪   中研院 

以YOLOv4打败Google还不够，中研院还要组队打造物件追踪AI

YOLOv4今年问世以来，不仅广受全球AI社群讨论，还打败Google、AWS和脸书。开发YOLOv4关键技术的核心人物中研院资讯科学研究所所长廖弘源指出，YOLOv4在架构上，是以CSPDarkNet53为Backbone，来加强卷积网络的学习能力，而Neck部分则加入空间金字塔池化层（SPP）和PANet，前者用来强化接受区域（Receptive field）作用，能将最重要的特征区分出来，后者则取代YOLOv3的FPN，在不同等级的侦测器中聚合参数。最后，在YOLOv4的Head，则采用YOLOv3。

廖弘源指出，YOLOv4在今年9月28日的MSCOCO物件侦测竞赛中排名世界第一，打败Google、AWS和脸书的类神经网络。“但这还不够，”他现在还另组国家队，锁定物件追踪AI，发豪语要打造全世界最好的追踪器、再次打败Google、AWS，拿下另一个世界第一。（详全文）

  资料集     3D物件    AR扩增实境 

Google开源3D物件影片资料集Objectron

Google日前开源一套物件影片资料集，涵盖多种不同角度拍摄的物件影片，包括15,000个经标注的短片和400万张经标注的物件影像，此外也包含AR诠释资料（Metadata），像是镜头位置、稀疏点云和平面，要来推动社群对3D物件几何的理解，让机器人应用、AR、自动化作业和图片检索等领域能有更多进展。

进一步来说，资料集的短片以物件为中心，透过镜头从不同角度拍摄；特别的是，为确保多元性，Google还从五大洲共10个国家来收集这些影片。资料集中的影片也附上人工标注的3D边界框，来描述物件的位置、方向和尺寸比例等。除了资料集，Google也释出3D物件侦测解决方案，涵盖鞋子、椅子、马克杯和相机等四大类，而其中的辨识模型就是以Ojectron资料集训练而成，并在Google的开源框架MediaPipe上释出。（详全文）

  Transformer    测试基准      DeepMind  

你的Transformer有效率吗？来试试新的Benchmark：LRA

Google研究院日前联手DeepMind，发表一款专门测试Transformer长序列任务表现的测试基准（Benchmark）LRA。Transformer架构中的注意力机制，可辨识输入值序列中复杂的依赖关系（Dependencies），这也是Transformer成为NLP和其他机器学习任务的首选。但是，Transformer一直有个缺点，也就是输入序列中的token增加时，对内建内存的需求就会成四倍成长，因此要处理长序列任务就会耗费更多硬件资源。

LRA就是设计来评估Transformer处理长序列任务的效率，可用来评估模型执行文字、数学和视觉资料任务时的表现。LAR中包含了合成和现实的任务，像是Long ListOps、字节级文字分类、字节级文档检索、像素序列的影像分类等，这些任务序列所包含的token数量为1K至16K不等。（详全文）

  国发会    AI发展机会    数位转型  

国发会：-瞄准台湾6大AI发展机会

国发会主委龚明鑫日前于台湾AI年会中表示，-将瞄准台湾6大AI应用机会。首先是Edge AI，随着5G、AI发展，加速边缘运算应用，台湾以半导体优势可全力发展AI芯片。第二是AIoT智慧城乡，-自2017年发展智慧城乡应用，至今已有229项企业提案在国内场域试验，下一步要扩散已成功验证的智慧城乡解决方案，-也将输出AIoT解决方案至东南亚、欧美等地。

第三是AI资安应用，AI将成为下世代资安防护的关键要素，而台湾因国际情势本身面临频繁的资安攻击，也让资安AI成为一大发展机会。第四项机会是医疗AI，因为台湾自2年前开发推动医疗影像AI以来，已累积23亿笔医疗影像资料，也有15个团队参与医疗AI模型训练。此外，台湾25年健保巨量数据库，也是医疗AI发展一大关键。而第五和第六项机会，则是自驾车与基础建设的安全检测，将得力于5G部署之后。（详全文）

Python   微软    程式语言 

Python之父Guido van Rossum宣布加入微软开发者团队

在1991年建置Python程式语言的Guido van Rossum，去年虽然宣布正式退休，但他日前在Twitter上表示，退休生活实在太无聊了，因此已经加入微软开发者团队，微软也证实这项讯息。

Python程式语言为Rossum最为人所熟知的成就，根据RedMonk今年7月所公布的程式语言热门排行榜，已经超过30岁的Python在排行榜上名列第二名，仅次于JavaScript，击败了Java、PHP或C++等。微软曾承诺将协助Python社群成长，这次Rossum加入微软开发者团队，也是对该承诺的体现。（详全文）

LinkedIn    机器学习函式库     Dagli  

LinkedIn释出Java机器学习函式库Dagli，简化部署

：LinkedIn在GitHub释出容易使用，且不易产生臭虫的Java机器学习函式库Dagli，内含大量开箱即用的静态模型，方便开发者建置机器学习应用。

而Dagli可解决模型技术债问题。Dagli是适用于Java和其他JVM语言的开源机器学习函式库，开发者可用来编写抗臭虫、可读、可修改、可维护且易于部署的模型工作流程，Dagli支援现代机器架构，高效使用多核CPU、GPU。此外，Dagli对资深和资浅的机器学习开发者十分友好，Dagli提供简便的方法让资深工程师扩充、以JVM技术进行推叠整合，对资浅的工程师来说，则有直观的API让使用者结合熟悉的JVM工具。最后，由于Dagli可将整个工作管线视为一个物件，进行序列化及反序列化，因此容易部署。（详全文）

PyTorch     Android     机器学习运算 

PyTorch现可在Android装置利用硬件加速机器学习运算

PyTorch宣布支援Android神经网络API（NNAPI），代表深度学习框架PyTorch可在Android上得到硬件加速，来提高AI应用程序的运算效能，也意味着释放更多CPU资源，来支援其他关键运算。

NNAPI是Android的底层API，目的是要ML应用程序能使用Android装置的硬件加速器，像是GPU、DSP和NPU，但要使用还是需要大量的整合工作。这次PyTorch采用普通的TorchScript模型，训练完后，开发者可将模型打包在Android应用程序中，或透过网络交付，以PyTorch Mobile的Java API或libtorch C++ API载入模型来执行。如果是PyTorch Mobile应用程序，开发者不需改变程式码，只要将CPU模型更换为NNAPI模型即可。目前PyTorch支援NNAPI的版本，只提供线性卷积和MLP模型，也只能在Android 10或是以上装置执行。（详全文）

摄影／翁芊儒

图片来源／AMAI、Google、LinkedIn、PyTorch

 AI趋势近期新闻 

1.全球500大超级电脑Arm-based Fugaku蝉连王座，台湾杉3 列183名

2. 劳动部职安署靠监视器AI小帮手来揪出未正确配戴装备的劳工

3.国际顶级机器人年会CoRL 2020最佳论文已出炉

4. DeepMind开源环境模拟器Lab2D

资料来源：iThome整理，2020年11月