鸿海研究院凭借微软azure云计算平台的高速算力,取得多项人工智能技术的研究突破,不但大幅减少对抗式模型训练时间,从3小时缩短到5分钟,借由使用大量“无标注”资料做预训练,创建ai模型训练新范式;也能通过人工智能模型实现即时、连续性的进行血压侦测,守护大众健康。
微软通过azure hpc gpu – ndm a100 v4加速鸿海研究院在ai领域的研究速度。ndm a100 v4系列虚拟机是azure gpu系列的旗舰,专为高端深层机器学习训练和紧密结合的相应增加、相应放大hpc工作负载所设计,能有效缩短ai模型创建时间。此外,依据使用量付费(pay as you go)的弹性收费模式,也能减少前期设备构建投资与机房管理人力。
鸿海研究院运用azure云计算平台于深度学习、自动驾驶汽车及数字医疗的研究成果亮点如下:
针对未来自动驾驶汽车的应用场景,为避免外部环境干扰或是恶意黑客入侵,严重影响模型的判断,对抗式攻击与防御极为关键,可用于减少人工智能模型的误判。azure的虚拟功能大幅缩短对抗式训练的模型训练时间,从原本3小时减少至5分钟。
此模型为基于深度学习的image translation model,能够将两个不同领域的图片做双向转换,应用在动漫领域,可以将动漫人像转换成真实人脸,并且可以在硬件资源有限的情况下生成高分辨率(1024×1024)的成果。应用于自动驾驶汽车场景,配合现有的自动驾驶汽车模拟环境(如:carla),借此生成的模拟图片,转换还原出更契合真实场景的驾驶环境,进而扩展训练模型时所需要的图片资料,并借azure高速算力得到更好的模型性能。
自监督学式学习技术使用大量“无标注”的资料来训练人工智能模型,除可降低以往标记资料对大量人力的需求,通过“无标注”还可降低人为疏失,提升模型准确度。以自动驾驶的领域为例,通过收集巨量的街景资料,并在没有标记的情况下进行模型训练(pre-training),之后再用少量有标注资料做细微修调,可善用大数据的优势,缩短模型训练时间,进而达到更强健、安全的自动驾驶环境。
在不需要人工标注的情况下训练人工智能模型,有效的将角膜图片进行精确的分割,进而提高角膜识别的准确率。此技术不但可用于角膜识别,也可应用于各种不同的环境与任务,例如:自动驾驶汽车环境中我们常常需要针对街景图做图片语义分割,通过此技术,不需大量人力标注,即可训练出高精确度的人工智能模型以供自动驾驶系统使用。使用微软ndm a100 v4的hpc来做模型训练,跟之前使用的机器相比,加速可高达8倍。
成功将光体积描记法(ppg)信号转换成即时血压信号,有效地测量血压的指数,且测量准确度已经符合医疗器械促进协会(aami)和英国高血压学会(bhs)的a级标准。目前穿戴式设备可实现ppg信号的即时测量,与此技术结合后,未来能让用户随时侦测自身血压,不再受到时间、空间与器材的限制,第一时间预防因血压异常的导致的高风险疾病。使用微软ndm a100 v4的hpc来做模型训练,跟之前使用的机器相比,加速可高达400倍。