面对科技不断进步,在全球化的竞争之下,越来越多企业导入AI人工智能与机器学习,以求加速生产及提升作业效能,Google日前举办机器学习系列媒体聚会,并邀请和明纺织策略执行顾问李佳宪分享经验,说明如何透过云端平台与机器学习协助产业转型,为高度人力密度的纺织产业带来更高的效率。

李佳宪表示,和明纺织成立于1976年,主要是提供许多国际时尚品牌大厂纺织面料,是少数根留台湾的纺织厂。在这40年来,共累积了近十万面料的资料,比如颜色、纹理、材质、光泽与织法等,但随着时代的改变及资料量越来越庞大,纺织工厂也遇到了许多瓶颈。

李佳宪指出,和明在台北就有1处、台南2处生产基地,以往接到客户的布料样式需求时,设计师要从仓库中找到合乎客户需求的样品宛如大海捞针,作业时间就可能要45天,再加上技术人员依照花色、样料与设计进行打版、实作,如果再加上将样本送给客户确认的一来一往的时间,当工厂收到确定的订单开始量产,所花费的时间多达3个月,耗工又费时。

「除此之外,面对海外品牌Zara、Uniqlo这类『快时尚』的市场竞争,以及各类电商平台的崛起,过往的生产技术及经验,已经难以有效保存及再利用,和明开始想要朝向智慧转型,希望能够借此提升整体生产系统加快效率及成效。」

导入云端及机器学习
李佳宪说,智慧转型对于传统产业来说是一大诱因,但要建立影像辨识资料库,其相关技术、人才与硬体设备的投入的成本问题,就是一大考验。因此选择导入云端服务,一来可以预估每个月、每年需要多少产出,也能够避免背负太多不需要的资金投入。

李佳宪指出,团队一开始先将面料在固定光源及环境下翻拍,有一制性的数位图档才能开始进行机器学习及建立模型。 「导入云端的过程也不是一路顺利」,在模型的建立期间,原本采用的非监督式的方式,出现辨识的准确率偏低的问题,原本要找A相关布料,结果却是B相关布料,样式整个不对。

李佳宪说,因此找上面料设计师协助,先将数位图档完成基础分类,再让系统进行训练,这种监督式的机器学习方法,确实提升辨识相似布料的特征;除此之外,也开发了基于此项模型的App,让设计师可以快速依照需求找到样品。

李佳宪指出,手动仓储流程自动化之后,大幅缩短搜寻及供货时间,接单到提供样品时间从1.5—3个月缩减到只需要2—3天,也能够避免重复打样;进入市场的速度,从新设计到推出市场,从过去12个月降至9个月,预估提升25%;至于设计产能的提升,预估2年内可以累积了达1万种样式。

李佳宪认为,面料资料的数位化,让设计师的经验更加容易传承,而且这套布料的面料资料库未来不仅会在和明使用,也会将App开放作为样式资料库平台,并建立设计师社群,让设计师可以直接在面料上找寻新的灵感及彼此交流,延伸出更多的设计,并期盼能借此帮助台湾的纺织业走出代工并建立属于台湾的品牌。

 

Google云端企业客户经理田哲禹表示,客制化的机器学习模型能够协助企业提升市场竞争力。 (陈懿胜/大纪元)
谈到机器学习,Google云端企业客户经理田哲禹表示,目前Google已经将学习机器分为3种不同的区块,包含量身打造的机器学习模型、客制化的模型、已受训练的模型,其中已受训练的模型中,则有影像辨识、语音辨识、翻译,以及自然语言4种不同API。

田哲禹说,为了实现人工智慧大众化的目标,并让人工智慧能贴近每个人的生活,云端人工智慧服务将着重于运算、演算法、数据、人才等4个层面。针对运算部分,将提供包含GPU、CPU和Cloud

TPU的运算能力,以知名音乐辨识应用程式Shazam为例,他们会将录制的音乐与超过4千万首歌曲的索引进行配对,过去每天更换1次索引(Index),变成如今每小时1次,成功藉由云端大幅提高运算效能。

田哲禹也指出,高效运算能力只是第一步,演算法则提供提供各种机器学习服务,比如已训练的翻译API,可以即时进行不同语系的翻译工作;至于数据方面,藉由公开分享的多样数据资料库,帮助企业学习如何搜集与整理有用的数据资料,作为后续分析、应用的来源。

最重要的人才问题,田哲禹说,未来将持续投入资源培育机器学习人才,以Google Brain Residency计画为例,每年会资助全球超过250个相关学术研究计画、大量博士生与实习生;Google进阶解决方案实验室部分,则是让企业能与Google机器学习专家们面对面交流和学习。

田哲禹认为,一般公司无法像大型企业投入大量资源和人力操作,但可以透过符合自身工作需求的客制化机器学习模型,在语音、翻译、影像辨识及自然语言处理等API的协助之下,运用机器学习技术来达成不同工作目标。未来会持续优化现有的云端机器学习服务,期望透过多元的云端机器学习服务,协助更多企业提升市场竞争力。 ◇



相关文章