導入雲端機器學習 傳產有效縮短開發時程

面對科技不斷進步，在全球化的競爭之下，越來越多企業導入AI人工智慧與機器學習，以求加速生產及提升作業效能，Google日前舉辦機器學習系列媒體聚會，並邀請和明紡織策略執行顧問李佳憲分享經驗，說明如何透過雲端平台與機器學習協助產業轉型，為高度人力密度的紡織產業帶來更高的效率。

李佳憲表示，和明紡織成立於1976年，主要是提供許多國際時尚品牌大廠紡織面料，是少數根留台灣的紡織廠。在這40年來，共累積了近10萬面料的資料，比如顏色、紋理、材質、光澤與織法等，但隨著時代的改變以及資料量越來越龐大，紡織工廠也遇到了許多瓶頸。

李佳憲指出，和明在台北就有1處、台南2處生產基地，以往接到客戶的布料樣式需求時，設計師要從倉庫中找到合乎客戶需求的樣品宛如大海撈針，作業時間就可能要45天，再加上技術人員依照花色、樣料與設計進行打版、實作，如果再加上將樣本送給客戶確認的一來一往的時間，當工廠收到確定的訂單開始量產，所花費的時間多達3個月，耗工又費時。

「除此之外，面對海外品牌Zara、Uniqlo這類『快時尚』的市場競爭，以及各類電商平台的崛起，過往的生產技術及經驗，已經難以有效保存及再利用，和明開始想要朝向智慧轉型，希望能夠藉此提升整體生產系統加快效率及成效。」

導入雲端及機器學習

李佳憲說，智慧轉型對於傳統產業來說是一大誘因，但要建立影像辨識資料庫，其相關技術、人才與硬體設備投入的成本問題，就是一大考驗。因此選擇導入雲端服務，一來可以預估每個月、每年需要多少產出，也能夠避免背負太多不需要的資金投入。

李佳憲指出，團隊一開始先將面料在固定光源及環境下翻拍，有一制性的數位圖檔才能開始進行機器學習及建立模型。「導入雲端的過程也不是一路順利」，在模型的建立期間，原本採用的非監督式的方式，出現辨識的準確率偏低的問題，原本要找A相關布料，結果卻是B相關布料，樣式整個不對。

李佳憲說，因此找上面料設計師協助，先將數位圖檔完成基礎分類，再讓系統進行訓練，這種監督式的機器學習方法，確實提升辨識相似布料的特徵；除此之外，也開發了基於此項模型的App，讓設計師可以快速依照需求找到樣品。

李佳憲指出，手動倉儲流程自動化之後，大幅縮短搜尋及供貨時間，接單到提供樣品時間從1.5~3個月縮減到只需要2~3天，也能夠避免重複打樣；進入市場的速度，從新設計到推出市場，從過去12個月降至9個月，預估提升25%；至於設計產能的提升，預估2年內可以累積到達1萬種樣式。

李佳憲認為，面料資料的數位化，讓設計師的經驗更加容易傳承，而且這套布料的面料資料庫未來不僅會在和明使用，也會將App開放作為樣式資料庫平台，並建立設計師社群，讓設計師可以直接在面料上找尋新的靈感及彼此交流，延伸出更多的設計，並期盼能藉此幫助台灣的紡織業走出代工並建立屬於台灣的品牌。

Google打造三大類機器學習模組

談到機器學習，Google雲端企業客戶經理田哲禹表示，目前Google已經將學習機器分為3種不同的區塊，包含量身打造的機器學習模型、客製化的模型、已受訓練的模型，其中已受訓練的模型中，則有影像辨識、語音辨識、翻譯以及自然語言4種不同API。

田哲禹說，為了實現人工智慧大眾化的目標，並讓人工智慧能貼近每個人的生活，雲端人工智慧服務將著重於運算、演算法、數據、人才等4個層面。針對運算部分，將提供包含GPU、CPU和Cloud TPU的運算能力，以知名音樂辨識應用程式Shazam為例，他們會將錄製的音樂與超過4千萬首歌曲的索引進行配對，過去每天更換1次索引（Index），變成如今每小時1次，成功藉由雲端大幅提高運算效能。

田哲禹也指出，高效運算能力只是第一步，演算法則提供提供各種機器學習服務，比如已訓練的翻譯 API，可以即時進行不同語系的翻譯工作；至於數據方面，藉由公開分享的多樣數據資料庫，幫助企業學習如何搜集與整理有用的數據資料，作為後續分析、應用的來源。

最重要的人才問題，田哲禹說，未來將持續投入資源培育機器學習人才，以Google Brain Residency計畫為例，每年會資助全球超過250個相關學術研究計畫、大量博士生與實習生；Google 進階解決方案實驗室部分，則是讓企業能與Google機器學習專家們面對面交流和學習。

田哲禹認為，一般公司無法像大型企業投入大量資源和人力操作，但可以透過符合自身工作需求的客製化機器學習模型，在語音、翻譯、影像辨識及自然語言處理等API的協助之下，運用機器學習技術來達成不同工作目標。未來會持續優化現有的雲端機器學習服務，期望透過多元的雲端機器學習服務，協助更多企業提升市場競爭力。◇