| 1 、 人工智慧(AI)與機器學習(ML) |
- AI 人工智慧簡介
- AI 的現況與未來
- 機器學習(ML:Machine Learning)
- 深度學習(Deep Learning)
|
| 2 、 ML 與神經網路原理 |
- ML 的特色:從資料中自主學習
- 神經網路的原理
- 介紹機器學習平台:Google 的 TensorFlow
|
| 3 、 從一個完整的建模案例(GAN)出發
--- 使用 Pytorch 建模，及耐能 KL520 晶片進行推論
|
- GAN:最有趣的 AI 模型
- 學習 GAN:從分類器出發
- 使用<零編程>的 TM(Teachable machine)分類器
- 親自體驗<零編程>的 TM 學習流程
- 觀摩 Pytorch 實現 GAN 模型設計&訓練流程
- 實戰案例解析:醫療 3D 影像 GAN 模型
- 運行於耐能的 KL520 晶片上
|
| 4 、 AI 模型的設計、優化與推論的流程
--- 以耐能 KL520 為例
|
- 邏輯回歸(Regression)分析
- 多項特徵的二元分類
- Sigmoid 一般化:Softmax 函數
- 深度神經網路(DNN)
- 熟悉耐能 AI Toolchain 的使用流程
|
| 5 、 核心觀念:空間對映
(Space-Mapping)
|
- 關鍵的對映公式:X*W+B=Y
- 對映公式裡，<W>和<B>的意義
- 激活函數:從 Y 對映到 Z 空間
- 多維度的空間對映
- 設定目標(Target)點
- 逐步尋找 W 和 B ，並計算預測值
- 根據<預測值>來分類
|
| 6 、 關鍵技術:潛藏空間
(Latent Space)
|
- 潛藏空間的特點:客戶看不見它
- 是讓 AI 需求與晶片設計疏結合(Loosely-coupling)關 鍵
- 是 AI 與 Chip 設計師協同設計(Co-design)揮灑的空間
- 範例:GAN 模型裡的潛藏空間
- 範例:醫療癌症偵測 AI 模型裡的潛藏空間
- 範例:NLP 模型裡的潛藏空間
|
| 7 、 AI 模型設計的雕龍十八招(一)
應用案例:語音(Speech)識別
|
- 第 1 招:Auto-Encoder(自編碼)
- 第 2 招:Correlations(複雜回歸)
- 第 3 招:One-Hot-Encoding(獨熱編碼)
- 第 4 招:Collaborative filtering(協同過濾)
- 第 5 招:Similarity(相似度)
- 第 6 招:Convolution(卷積)
- 實戰案例解析:自動萃取聲音的特徵
- 使用<零編程>的 TM:分辨歌名語音
- 使用 Python/TensorFlow 製作<AI 點歌>模型
- 運行於耐能的 KL520 晶片上
|
| 8 、 AI 模型設計的雕龍十八招(二)
應用案例:BERT 遷移學習
|
- 第 7 招:Expert intuition(專家直覺)
- 第 8 招:Transfer learning(遷移學習)
- 第 9 招:NLP + Attention(注意力)
- 第 10 招:GAN:NFT 元宇宙的科幻繪筆
- 第 11 招:AI 生成藝術與 NFT
- 第 12 招:Transfer to Robots(智慧移植到機器人)
- 實戰案例解析:自然語言(NLP)的 Transformer 機制
- 熟悉遷移學習(Transfer learning):以 BERT 為例
- 設計 NLP 對話機器人
- 運行於耐能的 Intel NCS2 神經加速棒
|
| 9 、 AI 模型設計的雕龍十八招(三)
應用案例:AR 瑕疵檢測+耐能 AI 晶片
|
- 第 12 招:使用 GAN 創作自己的藝術品
- 第 13 招:熟悉 Edge AI 晶片的特點
- 第 14 招:深入掌握 AI 晶片產業發展
- 第 15 招:開發 IntelAI 晶片各種應用
- 第 16 招:開發 耐能 AI 晶片各種應用
- 第 17 招:Edge AI 與 Cloud 服務的結合
- 第 18 招:LinBots(智慧移植到機器人)
- 實戰案例解析:AI 瑕疵檢測與 AR 設備結合
- 觀摩智泰公司的 AI 瑕疵檢測系統
- 觀摩 FacePro 的 AR 眼鏡
- 討論:瑕疵檢測+AR 眼鏡+耐能 AI 晶片的創新組合
|
| 10 、 Edge AI 實務經驗:
分享 高煥堂指 導的 2021 年 Intel AI 大賽亞軍作品
|
- 2021 年台灣 Intel AI 大賽，神櫻團隊榮獲第二名(亞軍)
- 作品目標:基於 OpenVINO 實踐醫療領域的聯邦式學習&分散式協同推理架構
- 作品架構:本案例啟動了 4 個引擎，來支撐聯邦式機器學習，包括 1 個 Intel CPU 、 2 個 NCS 和一個耐能 KL520 。展現出 OpenVINO 架構的異質性分散式協同 推理綜效
|
| 11 、回顧:目前常見的 AI 晶片化模式 |
- 目前大多採取行業別垂直設計，針對行業特殊需求而 設計 AI 模型
- AI 模型與晶片之間是緊密結合關係
- 不具復用性和共享性，局限於簡單 AI 功能
|
| 12 、前瞻:全生態的 AI 晶片化新策略 |
- 由 AI 和晶片設計師進行協同設計
- 建立潛藏空間裡各模型組件的階層體系，有機組合出複雜的 AI 功能
- 促進跨行業共享潛藏空間組件，擴大 AI 晶片的市場和商機
- AI 模型與晶片之間是疏結合關係，確保底層 Chip 設計的變動自由度，大幅降低風險、並容易優化品質
|
