製造業AI/GAI應用發展重點
製造業實務面臨的問題種類多元,包含
1.分類 (瑕疵檢測、垃圾郵件過濾)
2.分群 (市場區隔、客戶群體細分)
3.序列預測
(市場需求預測、物料庫存管理、設備預測性維護),以及
4.生成 (數據生成、產品設計)等,
這些問題 適用的AI演算法
按 主要功能 與 應用目的,
可以將其分為
鑑別式AI(Discriminative Al) 與 生成式AI(Generative Al)
鑑別式AI(Discriminative Al)
擅長 分類 和歸納數據,根據 數據特徴差異 分析數據類別,
常用於 語音辨識、圖片 與 影像辨識等應用;
生成式AI(Generative Al)
則 擅長創造數據,能生成 類似訓練數據 的文字、圖片、影像、程式碼等。
由上述可知,鑑別式AI和生成式AI各有專長,並不互相替代,
而是根據不同應用場景,選用合適的Al技術滿足需求。
由於技術特性差異,兩類型AI用於製造業時方案開發的著重點也不同。
以下將透過建構AI方案流程,說明兩類AI技術
在 數據收集、模型選擇、模型訓練、模型部署 與 優化作業流程中
的 重點差異。
(1)數據收集方面,鑑別式AI 更重視 數據品質,
依賴 數據標記 與高度準確性、一致性的數據 掌握數據特徴,
然而 數據 處理過程 費時。
而生成式Al通常需要先進行 領域知識數據 的微調(Fine-tuning),
再向客戶 收集內部數據
進行檢索增強生成(Retrieval-AugmentedGeneration,RAG),
以便生成更精確内容。
(2)模型選擇上,
鑑別式AI方案業者
可能採用 社群 或 研究機構 公開的 開源 且 高效 的模型,
或是自行開發模型。
且由於鑑別式AI 應用 對應 特定問題,因此業者傾向選用
結構 較簡單 且 易於解釋的 模型,如
1.決策樹、
2.支援向量機器(Support Vector Machine, SVM)和
3.類神經網絡、
4.群集分析(K-means Clustering)
等用於準確 分類 或 預測 的模型;
生成式AI方案商
則多是選擇現有的大型語言模型,如
GPT、Llama、BLOOM、Falcon、BERT等,
並在此基礎上 進行 應用開發。
發表文章
