功能 Features

快速佈建AI開發環境

聯盟式學習 

(Federated Learning)

基於隱私保護意識抬頭,數據資料的取得不易,使得利用大量資料來強化深度學習的準確度變得越來越難。 ari 利用聯盟式學習的方式,將已經過訓練過的學習模型與學習後的參數上區塊鏈(Blockchain)加密。並將學習後的特徵參數回傳至協調中心,無需上傳原始資料,但共享訓練結果的AI模型,達到保障隱私與資料安全的目的,以符合各國的個資保護法,而共享AI模型不獨屬一個單位或組織。

區塊鏈(Blockchain)加密,不同於憑證加密(CA)。簽署憑證的單位掌握根簽證(Root CA),相當與掌握使用AI模型的權利,具有時效性且儲存根簽證保密性的確保機制,又保有資料用於AI模型訓練的紀錄。

AI生命週期管理

AI_ari_ZH

GPU資源分享

GPU可以加速AI模型(Model Development)的建立與縮短執行推論(Inferencing)的時間,GPU資源的寶貴不單是成本上,透過GPU資源共享的方式,更能使AI發展系統或AI推論的處理能力增加,達到高效率及產能提升的目的。

Figure 1 GPU不分享的情況

在Figure 1 GPU不分享的情形下,複雜的工作在單一GPU上要耗費更多時間來完成。GPU2所處理的工作已經結束,此時GPU2是可以挪出來幫助GPU1或是GPU3分擔工作,縮短原來工作所需時間。

另一種情境如Figure 2,所有的GPU都在處理同一種AI運算,但是單位時間內的使用率都不到滿載。此時GPU是可以在處理更多工作的。

Figure 2 GPU使用率不足,但單位時間內無法供其他工作利用GPU效能

但當我們使GPU共享後,並代為處理工作排程,單位時間的工作量就可以增加。

Pipeline流水線組合功能

開發AI模型時,我們可以利用圖形介面將各個動作、程序採元件化的逐項設計,將各個功能單元組合成一個目標功用;或組合成一個自動化的動作迴路。

舉例:下圖為學校使用的人臉辨識系統,當學生進入校門被攝影機辨識出來後,系統則立即寄發簡訊通知家長,讓家長確保學生已經安全到校;反之,但若攝影機遇到無法辨識的人員,則會立刻通知警衛警戒,確保校園安全。 整個流程由臉部區域標示、假畫面辨識(例如用照片替代人臉)、限縮局部人臉範圍、取出特徵值、比對特徵值、從特徵值找出學生名字等八個分別的程序所構成,

首先從 Face Detection 的程序來看。 當 RGB 影像輸入後透過 HOG(histogram of gradients) 方向梯度直方圖從整張圖中圈選出辨識區域;接著運用SVM(support vector machine)支援向量網路演算法辨識出屬於人臉的區域。 在SVM辨識人臉時,我們事先使用了LFW(Labeled Faces in the Wild)的資料集加上些許非人臉的資料集,採用無監督學習的方式訓練出人臉辨識的模型。

若我們細部深入SVM分類的程式碼,可以看到我們使用了PCA(Principal component analysis)將影像轉移到其他象限而分離出臉部特徵(eigenface)後,再用交給SVM(support vector machine)支援向量網路演算法辨識出人臉的區塊來。

您也可以不用Pipeline 流水線組合功能來撰寫你的AI演算程式碼,但使用Pipeline 流水線組合功能,可以更容易的管理AI開發程式,增加可讀性;甚至在不同容器內(Container Image)運用到不同的AI框架來分析比較演算法,選出最佳的演算法或資料集,以及管理AI開發流程。

CDSS 

(Clinic Decision Support System) 診斷輔助功能

CDSS是ari AI發展平台的目標之一,目的是示範如何發展AI而轉為實際運用的SaaS (軟體即服務)應用軟體。

當AI模型發展過程,CDSS提供資料分析統計,在統計資料發生資料不平衡(Data Imbalanced)時,AI學習就會產生不準確的現象,所以事前做資料整理的工作會大大影響最後結果,ari的CDSS就是整合AI模型訓練、資料分析、甚至直接將新的診療影像用已經發展完成的AI分析模型來進行病症的陽性、陰性辦定,以及發病機率的推估等的診斷輔功能。

聯絡業務 Contact

訂閱電子報

Select list(s)*

 

Loading