研華嵌入式講堂AI全面進擊！你Ready了嗎（短視頻）

近年來AI結合IoT的創新應用不僅變革新時代，更加速產業轉型。究竟如何才能幫助開發者、資料科學家快速開發AI解決方案，讓AI應用落地實現? 想知道如何快速建立準確的AI模型? 又能有效進行訓練與部署嗎? 《WISE吧》第7集揭密模型開發四階段，讓AIoT解決方案落地，突破真實場景問題！（1-6集可文末“閱讀原文”回顧~）

Hello大家好！歡迎收看今天的WISE吧！我是研華WISE-PaaS數據科學家Michael，今天要來跟大家分享AIoT解決方案的開發秘籍！

在這個人工智慧應用爆發的時代，通過物聯網連接大量的裝置，能為使用者帶來不同的服務。因此很多云平臺都不斷推出AIoT開發工具，也希望能幫助數據科學家加速開發。

舉例來說：

第一，在模型開發階段，會需要連接很多不同的數據庫，來取得模型的訓練數據、或是在線的即時數據。這時如果有方便快捷可連接數據庫的工具，就能讓數據提取更加快速喔！另外很多云平臺也提供現成的預建AI模型（Pre-built AI models），像是AOI圖像辨識、PHM預兆診斷、或是PQA數值型質量預測模型，都能讓您更快打造解決方案。

第二，在模型優化階段，在工業情境常遇到一機一模型的問題，針對不同機臺需要分別建模，來提升模型的準確度。那要如何進行多模型的訓練與部署，這往往是解決方案能否落地的關鍵！另外，超參數（hyperparameter）調試常常需要耗費大量的時間，如果有AutoML或是超參數優化的工具，能為您省下不少的開發時間。

第三，模型部署階段，在AI模型完成后，就要部署到客戶的現場。這時要選擇云端部署，還是邊緣端部署呢？關鍵在于模型推理所需要的穩定度與即時性，也取決于您使用的是外部的公有云、還是內部的私有云。如果需要比較高的即時性，就需要使用邊緣端推理來增加穩定度。如果云平臺還能支持模型的績效管理與在線更新，就更能掌握每個AI模型的績效表現哦！

第四，在模型再訓練階段，如果部署后的準確度不佳，就需要進行模型再訓練。透過新的數據來提升數據多樣性、或是找出模型準確度不佳的樣本數據，就有機會讓準確度更加提升。

如果遇到在線模型準確度下降，可以嘗試不同的算法、或建立更大的數據庫來進行再訓練。您也可以找研華WISE-PaaS的數據科學家團隊討論，更快讓您的AIoT解決方案落地，突破真實的場域問題哦。

以上是今天的WISE吧分享，希望你會喜歡，也請大家持續收看我們的WISE吧!

聯系我們

▼點擊“閱讀原文”回顧《WISE吧》全集