AI趋势周报第169期：KPMG全美950家企业AI大调查：人才是挑战、多数还没建好AI底层架构

重点新闻(0507～0514)

KPMG     企业AI大调查     底层架构  

KPMG全美950家企业AI大调查：培养人才仍是挑战、多数还没建好底层基础架构

KPMG最近公布今年份的企业AI大调查结果，发现企业拥抱AI时仍有AI人才不足、工具选择和基础架构不足的挑战。这份调查于今年1月展开，针对全美950家来自制造、科技、金融、医疗、生命科学、零售和-等领域的企业来询问，这些企业年收必须超过10亿美元，但医疗和生命科学除外，门槛为1亿美元。

调查发现，高达9成受访企业下功夫让员工跟上AI趋势、努力让员工学习新AI技能，但对医疗和-单位来说，分别只有8成和约7成的首席执行官做到这2点。不过，在这9成中，高达97%的制造业首席执行官称自家员工大致具备AI所需的技能；调查也发现，比起经理等级的主管，上层CXO对自家人才的AI技能反而更乐观。不过，KPMG指出，调查中仍有许多企业难以招募所需人才，来发展企业AI策略并实践。

另一方面，调查也发现，企业还有2个技术挑战，也就是找到合适的AI工具和平台，以及建立发展AI所需的底层架构。针对第一点，KPMG解释，这是因为市场变化快速，大部分企业担心今天购买采用的工具，到明天又有更好更快的工具、平台或API出现，这就造成投资错误，就连推动AI发展的科技业，也有6成首席执行官同意。

再来，许多企业尚未投资时间和金钱，来打造底层资料处理架构，甚至还有满多企业未将IT系统上云（比起老旧运算环境，云更容易扩展AI、进入生产）。KPMG指出，这些企业不情愿上云的主因是，建立模型治理制度来保护资料太繁琐，而且，整理这些资料来训练模型、维护模型，也太耗费心力。 （详全文）

  Google     Transformer    MUM  

屡屡突破NLP天花板，Google发表比BERT强1,000倍的Transformer模型

Google在年度开发者大会上发表基于Transformer架构的NLP模型MUM，号称比NLP里程碑模型BERT还要强上1,000倍，不只能理解语言，还能生成各种回答，更可一次读懂文字和图像。

Google近年屡屡突破NLP天花板，从2013年发表Word2vec算法、靠着将文字转换为向量提高精准度，再到2017年提出Transformer架构、发表NLP大型训练模型BERT，一举拿下各种测试的SOTA后，最近又一口气发表可理解、可生成的模型MUM，以及可顺畅进行开放式对话的LaMDA。

以MUM来说，Google一次用75种语言和多种任务来训练MUM，来让模型发展完整的理解力和世界知识，这是前几代模型做不到的。再来，MUM是多模态模型，也就是说，它可一次理解语言和影像这2种型态的资料，而且，“未来还能理解音讯和影片，”Google强调。

但Google会怎么运用MUM呢？Google解释，由于MUM可理解文字和图片，因此可同时分析网页和图片资讯，改善搜寻体验。比如，使用者可拍一张登山靴照片，然后问Google：“我可以穿这双靴子登富士山吗？”这时，MUM会分析照片和问题、给出回答，甚至带使用者到专门介绍登山装备的部落格。 （详全文）

  对话模型     LaMDA     Transformer  

Google再推可聊各种话题的开放式对话模型LaMDA

Google在自家开发者大会I/O上，揭露一款基于Transformer架构的自然语言预训练模型LaMDA，可顺畅进行各种议题的开放式对话，打破传统Chatbot的限制。

Google表示，有别于其他Transformer模型（如BERT、GPT-3），LaMDA用对话资料训练而成，并用几个特征来确认输入值是不是开放式对话，其一就是“有没有道理”。在I/O上，Google就用LaMDA来模拟冥王星与纸飞机的对话，比如能回答“我知道你很好奇，尽管问吧”、“（你来冥王星的话）你会看到一个大峡谷和一些冰山”，比现有Chatbot表现要好。目前LaMDA仍处于研究阶段，未来Google将用来改善搜寻服务和语音助理，就像用BERT来改善Google搜寻的内容品质那样。（详全文）

  OpenAI    新创基金       Azure  

1亿美金支援还有专属系统、Azure点数可以用！OpenAI推出AI新创基金专案

OpenAI近日启动OpenAI新创基金专案，投资1亿美元来扶植几家“对世界有深远、正面影响的AI新创”，特别是医疗、气候变迁、教育和个人服务等能带来变革的领域。

这些基金由微软等OpenAI的合作伙伴提供，并由OpenAI管理。获选的新创不只能得到OpenAI团队支援，还可使用OpenAI新系统，并获得微软Azure服务点数。OpenAI还有2个招募准则，一是欢迎采用他们API的新创，二是欢迎来自少数群体的创办人。（详全文）

  非监督式学习    语音辨识    转录资料  

不用转录资料就能自己学习、效能媲美监督式模型！脸书发表非监督式语音辨识模型

脸书发表一套非监督式语音辨识技术Wav2vec-U，不需把语音转录成文字资料，就能训练模型。而且Wav2vec-U的效能，比几年前用1,000小时转录语音资料训练的监督式模型还要好。

脸书指出，目前语音辨识系统只对少数主流语言友善，这是因为，这些主流语言有大量的转录音讯资料，可用来训练高品质的模型。但对其他语言、方言来说，就难以取得足够资料。

因此脸书开发Wav2vec-U，结合k-平均算法，能从未标记的音讯中学习语音结构，将语音分割出各对应的语音单元，因此不需要转录音讯资料。为学习辨识语音中的单词，团队利用GAN中的生成器产生音位序列，再透过鉴别器来判别相似度，直到生成器成功骗过鉴别器。后来，脸书也在Swahili和Tatar等小众语言测试模型，并与其他模型比较。在TIMIT基准测试中，与最佳的非监督式方法相比，Wav2vec-U错误率降低57％。（详全文）

ML生命周期   ML平台    MLOps  

如何有效管理ML生命周期？Google推出一站式ML平台

Google在开发者大会I/O上，正式推出全托管机器学习平台Vertex AI，由一系列Google内部所使用的机器学习工具组成，提供统一的UI和API来操作Google云端服务，加速企业AI模型训练、部署和维护。

Google指出，不少资料科学家采用拼接的ML解决方案和不顺畅的开发流程，导致模型开发和实验受阻，而Vertex AI可解决这个问题。Vertex AI包括原用于Google内部的AI工具，如电脑视觉、语言处理、对话和结构化资料等。

该平台也提供一系列MLOps工具，强调不具专业ML经验也可使用，像是可提高实验速度的Vertex Vizie，和用来共享、重用ML功能的Vertex Feature Store，以及可加速生产环境模型部署的Vertex Experiments。Vertex AI也支援边缘AI应用，Vertex ML Edge Manager让用户可使用自动化流程和API，在边缘部署和监控模型。Vertex Model Monitoring、ML Metadata与Pipelines等，主打自助模型维护和可重复功能来简化端到端ML工作流程。（详全文）

Google Health    AI工具     网页版  

皮肤有问题怎么办？Google今年要发表网页版的皮肤病AI工具

Google Health开发一套可帮忙诊断皮肤病的AI，使用者只要用手机拍下患部，再回答相关资讯，这个AI工具就能分析可能的疾病。目前，这套AI已取得欧盟一级医疗装置的CE认证，Google也准备在今年发表网页版应用。

Google Health说明，每年Google搜寻数据中有10亿次是关于皮肤、指甲和头发的问题，而且全球有20亿民众深受皮肤病之苦，却没有足够的皮肤病专家。为缓解问题，Google开发这套模型，使用者只要拍摄和上传有状况的皮肤、头发或指甲等3个不同角度的照片，再回答如年纪、性别、种族、皮肤类型、状况维持多久等问题，或提供其它症状等资讯来缩小范围，AI工具就会分析，从288种皮肤疾病中找出适合的几种状况供参考，并提供这些疾病的医生见解、常见问题，以及网络上的相关照片。 （详全文）

图片来源／KPMG、Google、脸书

 AI趋势近期新闻 

1.微软Power Apps嵌入GPT-3，把自然语言变成程式码来开发应用

2. AWS ECS Anywhere正式GA！

资料来源：iThome整理，2021年5月