研華科技近來積極投入AI深度學習領域。研華就觀察發現，除了要收集海量的學習資料之外，系統開發者最常遭遇的難題莫過於繁瑣的系統建置工程，像是要使用什麼樣硬體平台才能有足夠的性能執行複雜的函數運算？什麼樣規格的硬體可滿足雜訊干擾多的公共運輸系統、高標準的科技廠房無塵作業環境、安全防護等級高的醫療院所等場域之要求？AI系統又要如何連接上層管理軟體或雲端平台？是否有現成可用的知識模型以縮短深度學習的訓練時間？而現有的系統若想要升級為深度學習系統時又該從何下手？

為此，研華以兼具軟硬體的深度學習完整解決方案─包括負責訓練深度學習模型的訓練平台、運用知識模型於現場執行推論的推論平台、方便開發深度學習系統的軟體開發工具（SDK）、已完成訓練且可直接套用的知識模型、以及專業團隊提供的系統規劃與技術諮詢服務─來解決上述種種問題，從而降低了系統建置的複雜度，讓開發者更容易佈建AI深度學習系統，並將心力投入於其所熟悉的產業知識（domain know-how）以催生出更多創新又務實的應用。

圖1 : 研華+LINKER深度學習系統與傳統VM架構比較圖

深度學習開啟人工智慧的更多應用

運用神經網路演算法的深度學習技術讓討論了超過半世紀的人工智慧（AI）得以走出實驗室。現今的人工智慧已不再只是打敗世界棋王的超級電腦、正在路測的無人駕駛車、或者是試圖擬人化的機器人等研究領域的專屬技術，而是更具實用性、也更大眾化的應用系統，譬如以AI的深度學習技術提升科技工廠生產良率、為農民篩選品質不良的壞果、於零售門市進行人流分析、協助醫師判讀醫學成像、停車場的車位在席偵測、以及主動糾舉交通違規等等。

目前研華的深度學習完整解決方案以成功導入製造業、農業、零售業、交通運輸業等諸多行業。光是智慧交通領域就有城市道路車流統計分析、捷運車廂人潮偵測、停車場車種計數與車牌辨識、戶外停車場車位偵測、公車停靠區違規停車、大型車輛行車管控、鐵道落軌或入侵鐵道偵測等等的應用。

圖2 : 研華深度學習架構—訓練與推論

其中，城市道路車流統計分析的解決方案是於交通控制中心安裝伺服器等級的訓練平台SKY-6100、路側設備處則安裝高性能的推論平台MIC-7500，兩款硬體平台即可將該路段每個車道上行經的車輛依車種別（如腳踏車、摩托車、汽車、貨車、公車等）進行辨識，辨識結果再經由網路上傳至雲端平台。而研華的SDK內提供的API則能讓資料與系統整合廠商的應用系統無縫對接，從而生成車流報表、或供儀表板即時顯示、亦可作為智慧控制之資料來源。而與過往在道路上鋪設感應線圈來統計每一時段有多少車輛經過只能有粗略的總量報表相比，導入深度學習應用的新管理模式不僅免除了封路鋪設線圈的麻煩，亦能獲得更詳盡也更精確的統計資料。

而公車停靠區違規停車案例則是於現場裝設內建知識模型之外觀精巧的小型推論平台MIC-7200來接收偵測攝影機拍攝的影像，經過推論平台的辨識，一旦發現停靠該區的車輛並非公車，不但現場設置的電子看板與廣播器會發送警示以告知車主禁止停車的訊息，同時系統亦會於停靠逾三分鐘後將資料上傳至雲端平台之車牌辨識系統以及警察局，以供執法人員逕行舉發違規臨停。透過這樣的科技執法工具，人力吃緊的派出所可以遠端監控且不再需要親臨現場即能取締違規；而心存僥倖、貪圖一時方便的車主亦在持續影像監控下無所遁形，從而降低任意違停的亂象。

AI是為了解決人類現存問題而存在，具有自我訓練能力因而大幅提高圖片、影像、文字或語言等資料辨識度的深度學習，則讓AI成為在各行各業真正實用的好幫手。但各領域中擅長數據整理與分析的系統開發者，並不那麼了解深度學習需要怎樣的運算環境。而於垂直產業有廣泛的軟硬體整合經驗又有多樣化產品線的研華，可針對不同場域提供適合的深度學習完整解決方案，還能從豐富的第三方合作夥伴中引進系統所需的資源，從而減輕了繁雜的系統建置工作，並降低技術門檻，讓系統開發者能儘速完成專案；而研華也相信透過這樣資源整合的全方位服務，由AI深度學習技術延伸出的創新智能應用，遍地開花的繁榮景象定是指日可待。