【大纪元2018年03月11日讯】（大纪元记者陈懿胜台北报导）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人工智慧与机器学习，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打造三大类机器学习模组
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、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，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计划为例，每年会资助全球超过250个相关学术研究计划、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。◇
责任编辑：旻真
