少量樣本學習加速了 AI 模型訓練與推斷

January 23, 2024

Nick Leon Ruiz

少樣本學習

為了提高盈利能力、最佳化生產，並在高度競爭的商業環境中取得成功，越來越多製造商轉向電腦視覺技術。不過，開發適用於工廠現場的解決方案是一項極其複雜且耗時的過程。

這是因為電腦視覺模型用來組合產品或是尋找零件和機械瑕疵的 AI 演算法，需要大量訓練。即使有預先訓練的模型可用，但其準確度遠不足以進行部署。訓練自訂模型通常需要大量資料集、引導訓練的熟練工作人員，還有數個月的工作。

對於想要實作支援視覺解決方案的製造商而言，這是嚴重的開發瓶頸，並且阻礙了該行業的數位轉型。但有一種全新的 AI 模型訓練方式稱為「少量樣本學習」，可能是加速部署 AI 解決方案的關鍵。

少量樣本學習如何加速 AI 模型訓練

若要瞭解為何少量樣本學習是改變現狀的關鍵，建議您可瞭解電腦視覺模型通常的開發方式。

一般而言，自訂 AI 模型是以預先訓練的模型開始。我們以組裝產線環境中的使用案例為例。開發團隊可能會以通用電腦視覺模型作為開始，來進行物件識別。但該模型無法識別公司所使用的特定元件。若了使其準確度足以滿足部署需求，開發者通常會採用名為「監督式學習」的方法，來為 AI 模型提供含有註記的訓練資料，協助 AI 模型瞭解特定零件或瑕疵的外觀，並能夠區別出其他物件。

但這項工作通常需要數以千計的圖像。在監督式學習情境中，這些圖像也必須由領域專家加上標記（「這個是小工具，這個不是」），以教導模型需要知道的內容。這是一項昂貴且需要大量人力的工作，因為熟練的員工必須先為影像加註，然後在多輪訓練中調整模型的超參數。

「即使是在最佳情況下，監督式學習也會需要數小時的熟練人員作業，且需要花費數個月才能完成。」全球運算智慧公司，Lenovo 集團的演算法研究員 Lu Han 表示。

在某些情況下，則可能不適用監督式學習。舉例來說，如果製造商需要訓練模型來找出新型零件的瑕疵，可能就沒有足夠的故障零件圖像可用來自訂模型。

少量樣本學習能夠採用不同方法，來克服這些難題。「少量樣本學習」中的「樣本」是指在訓練過程中，給予模型的物件類型樣本數量。

在這個過程中，我們能夠教導 AI 學習識別一般物件之間的相似度或差異度。接著，這項功能可用於將未見過的物件與少量參考範例配對。舉一個簡單的例子，您可能會提供螺母、螺栓和螺絲經過標記的圖像給模型，並為每個類別附上兩個樣本，以及螺栓的測試圖像，然後要求模型預測三個物件類別中，哪一個與螺栓測試圖像最為類似。

少量樣本學習僅需要極少的經標記圖像，即可自訂 AI 模型（只需幾十張而不需要數千張），且通常只需要幾天或幾週即可完成，而不需要幾個月。此結果大幅簡化了現有的 AI 開發工作流程，幫助公司比以往更快地部署 AI 解決方案。

用於識別瑕疵的少量樣本學習系統

典型案例：Lenovo 於紡織品製造商實作的瑕疵識別技術。

為了確保品質，製造商必須能識別其生產的紡織產品中，超過 80 種不同類型的表面瑕疵。人工檢查無法達到他們所需的品質控制水準。

該公司希望能開發採用 AI 技術的瑕疵識別解決方案，但面臨許多廣為實作的障礙。訓練自訂模型非常困難，因為可供使用的瑕疵樣本很少。此外，他們使用同一條生產線製造各種產品，因此任何 AI 解決方案都必須能隨著產品和材料的變化，迅速在邊緣更新模型。若是採用傳統訓練方法，預估需要 6-12 個月的時間才能建置可運作的 AI，這是令人難以接受的時間長度，而且不利於未來的反覆過程。

Lenovo 作為智慧製造領域的領導者，在其研究部門 Lenovo Research 中孕育出 Lenovo Edge AI。它具備強大的技術功能，可解決上述難題。Lenovo EdgeAI 與製造商合作，利用少量樣本學習技術，開發出端對端電腦視覺瑕疵識別解決方案。初始訓練和本機模型更新僅在一週內完成。準確度令人印象深刻：沒有遺漏任何關鍵偵測項目。

為了減少延遲並支援本機管理，Lenovo 在邊緣工業個人電腦（IPC）上執行 AI 推斷工作負載。這能夠近乎即時切換用於多種產品類型的不同 AI 模型。這也讓工廠品質保障人員能夠現場重新訓練模型，以對應未來的產品修改或新出現的瑕疵。

Lenovo 認為與 Intel 的技術合作有助於有效部署解決方案。Han 表示：「我們的系統採用 Intel chips，為客戶所需的邊緣情境提供強大的運算資源。」

Lenovo 也使用 Intel^® OpenVINO^™ 工具組。Han 表示：「我們的推斷引擎與各種工具組廣泛相容，尤其是 OpenVINO。針對推斷，在 Intel 晶片執行時，可支援大約 20 個邊緣 AI 模型。我們的許多客戶都喜歡搭載 Intel chips 的裝置，有助於我們更快速地將此解決方案推向市場。」