【AWS後疫新戰略2：工業AI、邊緣運算】AWS機器學習服務切入垂直產業，力推兩大邊緣AI產品

打從2016年度大會上，AWS推出自家第一波AI服務Polly、Lex和Rekognition後，搭上企業AI應用浪潮，也不斷推出新的AI服務與功能。過去3年，以每年新增超過200項功能的速度，擴充AI產品線，今年更推出5項AI垂直產業服務，將產品線的觸角延伸進更多企業第一線產業現場的商用場景。

時至今日，AWS累計推出數百個AI功能，其中的ML服務SageMaker，更是成長最快的AWS服務之一。去年大會上，AWS執行長Andy Jassy將自家所有機器學習服務，劃分為三個層次，分別是最底層的機器學習框架與基礎架構，還有居中的ML服務，以及上層的AI服務，示意著AWS在AI產品上的布局已有完整的架構。

今年，AWS首場專為ML開設的主題演講上，AWS機器學習副總裁Swami Sivasubramanian再次秀出這個三階層架構的AI產品藍圖，明顯不同的是，中間層ML服務直接更名為SageMaker，顯見該服務具不可撼動的地位，另一個新亮點就是，最頂端的AI服務層新增了工業AI的分類，加入一系列深入產業場域的AI服務。

細看AWS AI產品基礎設施的布建情況，底層涵蓋了各項基礎架構和深度學習框架，包含GPU、FPGA，還有PyTorch、MXNet和TensorFlow。Swami Sivasubramanian興奮地表示，全球有92％以雲端為基礎的TensorFlow框架，以及91％以雲端為基礎的PyTorch框架，是在AWS環境中執行。

位於中間層的全代管機器學習服務SageMaker，可供資料科學家和開發人員建構、訓練與部署進行機器學習模型，推出後，已累計數十種功能。AI產品線頂層則是AI服務，提供不懂機器學習技術運作方式的用戶，不同情境的應用解決方案，像是影像辨識、預測、對話機器人等服務。

如今，AWS AI產品架構加入垂直產業類的AI服務應用，代表著AWS對AI基礎設施層的布局，已告一段落，開始轉向更偏應用面的產業AI需求。AWS人工智慧副總裁Matt Wood表示，機器學習幾乎讓每個產業中，都展開了非比尋常的重塑工程，特別是製造業。他觀察，許多製造業企業正在使用雲端和邊緣節點的數據，來重新思考從生產到成品完成的流程設計，像是監測生產系統以在機器發生故障時，獲得警報。

因為工業流程是一系列的步驟，並且具有一套完整的流程，這些步驟間的耦合度非常緊密，這也意味著產線上任何一段流程或一項設備發生問題，都可能產生巨大的影響。但，他表示，許多監測都是利用固定臨界值，來進行管理，並未真正有效利用工業系統產生的大量數據。

因應產業現場ML分析需求，率先推出工業AI服務

因此，AWS推出了5大AI新服務，瞄準工業流程上設備監控及品管的需求。這5大新服務可分為兩大類，第一類服務聚焦運用機器數據，來執行預測的機器維護工作，包括了Monitron和Lookout for Equipment兩個服務，藉由感測器收集產線設備的運作數據，監控設備狀況，並使用機器學習分析數據，查出異常狀況，以預測設備需進行保養、維修的時間點，減少意外停機情況的發生。

第二類服務則聚焦運用電腦視覺技術，來改善產線流程中的瓶頸，還有評估現場工作人員的安全性，甚至是辨識成品的缺陷，包含了Panorama Appliance、Panorama SDK和Lookout for Vision。

儘管Monitron與Lookout for Equipment這兩類服務，都是用機器資料來檢測異常設備行為，但最大的差別在於，Monitron不僅僅提供了機器學習服務，還提供了硬體設備，包含感測器和閘道器，以及可供企業即時監控設備狀況的手機App，可說是一個端到端的機器監控解決方案，而Lookout for Equipment則只是一項線上ML服務，可用來分析企業自有感測器所收集的資料，來辨識機器異常狀態。

Monitron專用感測器可以每小時偵測一次設備的溫度和震動數據，再由藍芽傳送至專用閘道器中彙整，下一步，閘道器會透過Wi-Fi將整批數據上傳至AWS，接著，再以機器學習模型分析數據。一旦監測到設備出現異常運轉狀態時，App會發送警報通知，警告企業技術人員。

一臺閘道器最多可連結20臺感測器，閘道器與感測器間的距離最多可以達到30公尺，這些專用感測器可監控的工業和製造業設備，包含了馬達、空壓機、風扇、軸承等。Monitron硬體裝置已通過美國、英國和歐盟的認證，企業可搭配現已正式支援該設備套件的AWS北維吉尼亞地區，使用這項新服務。GE、樂器製造商Fender等企業已開始採用。

針對產線已布建了感測器的企業，則是Lookout for Equipment鎖定的使用族群。在企業將感測器數據傳送至AWS S3儲存後，可透過這項新服務來分析數據，建立依機器操作模式打造的機器學習模型，接著，企業專屬模型可分析感測器後續傳入的資料，來辨識機器的異常狀態，讓企業提早檢修。Lookout for Equipment目前在北維吉尼亞州、首爾等AWS地區，提供預覽。

推出具電腦視覺技術硬體，供企業連結攝影機辨識產線狀況

另外，鎖定製造業監測和檢查產線狀況的視訊分析需求，AWS也推出了一款即時監控分析設備Panorama Appliance，可以部署到工廠端環境中來提供電腦視覺技術，改善產線運作情況。企業將產線上設置的攝影機與Panorama Appliance連接後，Panorama Appliance會執行多個電腦視覺模型，來辨識攝影機的串流資料，偵測產線流程的狀況，像是檢查高速運轉流程（如精細銑削），或是評估廠內人員的安全，確保使用防護裝備。

除了應用在製造業產線上，Panorama Appliance也可應用在零售、建築等其他產業的場域內，像是監測人流數量、工地人員安全等。臺灣許多零售門店內都裝有數支攝影機，未來也可成為使用Panorama Appliance的場景之一。AWS臺灣解決方案架構師主管Nicolas Vautier舉例，這套設備還可以用來計算來客數、預防偷竊等。AWS計畫在2021年正式開賣。

另外，AWS還推出軟體開發套件Panorama SDK，讓攝影機製造商將電腦視覺技術嵌入攝影機中，開發可在邊緣端執行電腦視覺模型的攝影機，而閘道器製造業者也可應用此套件，開發可在邊緣端執行電腦視覺模型的閘道器。目前臺灣已有多家廠商開始運用Panorama SDK，開發相關智能設備，包含凌華科技、晶睿通訊等。

新推出利用電腦視覺技術，來偵測製造業產線狀況和產品品質的3項服務中，最後還有一項Lookout for Vision。這是一項機器學習服務，可分析企業傳送的批量或即時影像，來辨識異常，比如說，機器零件上的裂痕，還有成品上的凹痕、不規則形狀、不正確顏色等，並可執行於Panorama裝置上。目前新服務正在預覽版階段。

AWS推出可在邊緣端提供電腦視覺技術的硬體Panorama Appliance，供企業將設備裝載的攝影機與該硬體連接後，來執行電腦視覺模型，辨識攝影機的串流資料，偵測產線流程的異常狀況。（圖片來源／AWS）

推出醫療界專用AI資料湖服務，解決資料格式複雜、分散問題

不只因應製造業生產現場的需求，打造全新AI服務，AWS也針對醫療照護與生命科學領域的企業和組織，推出名為HealthLake的AI資料湖服務，要改善醫療資料種類複雜、分散各處，在進行機器學習分析前，需整理資料的浩大工程。HealthLake可以匯集醫療院所、藥廠旗下分散於各個資料孤島的PB級數據，並將這些不同格式的資料運用機器學習技術，來進行正規化、標註等處理，方便日後做分析及搜尋。目前釋出預覽版。

AWS看到每個產業因為機器學習，都紛紛展開重塑工程。在這次re:Invent上，AWS針對工業、製造業流程推出的5套機器學習服務，以及因應醫療照護界匯集分散、複雜資料需求，所打造的資料湖服務，不會只是特例的工業AI服務或AI相關產業服務，未來將有機會看到AWS持續擴充垂直產業面應用，針對更多產業現場的需求，推出新服務。

 相關報導  AWS後疫新戰略