從數據處理,看見台灣AI產業發展趨勢

【若水導讀】台灣AI產業數據趨勢:
1. 數據精準度的要求越來越高
2. 走向高複雜的數據標註方式
3. 智慧醫療及新型態數據處理需求攀升​

數據處理,是AI應用落地的前哨站。而身為若水AI數據處理團隊的負責人,最有趣的事情之一,就是能夠接觸台灣各大產業,最新的AI發展現況。

從若水經手過上百個企業的AI數據處理專案來看,2019年台灣的AI產業,有什麼樣的趨勢演變呢?

AI產業趨勢:精準數據需求大幅增加、離落地應用更進一步

從2018年到2019上半年,企業的AI數據處理需求,主要集中在簡單的拉框標註(Bounding Box)、下標籤( Data Tagging)以及數據快判(Classification)。

(圖片來源:若水國際)

但是從2019年下半年開始,我們發現快判的需求大幅減少。取而代之的是更複雜、更精細的Mask遮罩數據處理需求,包含多邊形描邊標註(Polygon)、描線標註(Polyline),甚至是逐像素標註(Pixel-wise)。

以最常見的智慧交通來說,客戶過去的機器學習主要是針對框(bounding box)做物件偵測,現在已經開始走向更精確的應用,不僅要識別物體,還要進一步辨識汽車、行人等輪廓形體。

不只自駕車產業,像工廠產線或電子元件等智慧製造AI,以及蔬果、動物等智慧農業AI的數據標註專案,都朝向「高複雜、高精準」的需求方向走。

(延伸閱讀:當良率90%成為基本,企業如何以終為始,做出精準數據標註?

目前市場最大宗的標註需求,仍以拉框 (Bounding Box) 為主,但難度也有所進階。除了基本的拉框,需要下的AI數據標籤種類,變得非常多。

以智慧零售為例,AI模型不再只是統計人數和區域範圍示警,還需要進一步了解人身上更多的資訊,包括年齡範圍、性別等特徵,而人物身上的穿戴物、衣服種類、顏色,甚至是表情也開始需要出現AI數據的標註需求,常常一個專案,需要超過十幾種以上的標籤 (Data Tag)。如果是著重開發人類行為的 Posture Estimation AI 應用,也會提出關鍵點標註 (Key Point) 的需求。

當數據標註需求越來越複雜,我們是否可以說,台灣的AI應用正在逐漸從POC,走近Production的落地階段?

哪些產業的AI應用,正在冒出水面?

若水作為全台最大規模的AI數據服務團隊,我們從上百個AI數據專案中觀察到,台灣的AI數據處理需求,仍然以「智慧交通」和「安防監控」為主,特別是自駕車和車流辨識以及人流監測。

不只在陸地上跑的自駕車、在天空中飛的無人機AI應用,包括船隻、船舶等海上漂的標註需求,也隨之而生。同時,2019年在智慧交通和安防監控領域,「跨境追蹤」數據處理需求的客戶變多了,不只要辨識出目標物件,還要能夠推測出目標物件的移動路徑。

(延伸閱讀:精準AI數據,怎麼產生?

除此之外,「智慧醫療」相關的AI數據處理需求,也正逐漸冒出水面。

(圖片來源:Unsplash​​)

早期因為個資隱私方面的考量,還有病症和病灶的專業判斷知識,醫療相關單位較少將數據處理外包。但從2019年底,我們開始陸續接到業界客戶的詢問,進行醫療數據標註的專業分工,由若水AI團隊負責處理胸部X光、內視鏡等特定種類數據的清圖及AI數據標註。

隨著各大產業的AI人工智慧應用逐漸走向成熟,帶來高複雜度、高精準度且多元的AI數據處理需求,作為AI數據處理團隊,也必須與時俱進。除了該產業領域的專業know-how之外,在實務上,可以如何運用工作流程拆解,人機協作來加速產能?期待下篇攻略見。

(延伸閱讀:如何處理複雜的AI數據標註或判斷?

相關延伸閱讀

歡迎分享給你的朋友,或進一步閱讀系列文章。

Back to Top
Close