創新工場和BCG咨詢合作的「+AI改造者」系列: 看看多面手鎂伽如何由點到面,用機器人和自動化賦能生命科學、製造和零售業。
改造者系列:將核酸檢測提效40倍的自動化變革推手 -- 本文来自BCG微信公眾號,經授權轉載。
近期,創新工場聯合BCG波士頓咨詢旗下亨德森智庫,推出「AI融合產業:『改造者』如何促進AI普惠」系列研究。人工智能在大陸有著明確的落地應用場景,大量的AI企業活躍於這些垂直場景中,我們定義這些企業為「改造者」。「改造者」通過傳授其AI技術和垂直行業理解,極大地打破了傳統企業應用AI的瓶頸。
作為擅於趨勢前瞻的TechVC,創新工場長期看好AI領域,深入佈局,至今已經投出了7隻AI獨角獸。在系列研究中,我們采訪了數家創新系AI企業,通過這些「改造者」的視角,探究傳統企業擁抱AI的範式與路徑。
創新工場投資的鎂伽是大陸領先的高科技公司,成立於2016年,專注于機器人和人工智能技術的研發並將其深度融合于行業應用,提供從終端到雲端的產品與服務,賦能生命科學、先進製造等領域的智能變革,同步探索在智能零售等場景的創新應用。疫情期間,鎂伽為核酸檢測的應用需求提供了一系列高通量病毒核酸檢測解決方案,全程無人工參與,「樣品進、結果出」的全自動化,最大化保證結果的準確,效率相比人工提升40倍以上,最大可能降低了人工實驗過程中的感染風險。
2021年,鎂伽正式宣佈其自主研發的中國首家通用型智能自動化生物實驗室——鎂伽鯤鵬實驗室一期在北京正式落成,同時也在上海、蘇州開始佈局滿足不同功能的自動化生物實驗室,預計於2022年陸續投入使用。鯤鵬實驗室將專注于細胞基因編輯、高通量藥物篩選、合成生物學等領域的研究,致力於打造次世代的生命科學基礎設施,提高生命科學研發和生產效率,賦能行業融合創新,引領即將到來的生物學革命。
在采訪中,鎂伽認為AI應用企業要從垂直行業的實際問題出發,通過儲備和培養大量複合型人才,做到「比客戶更懂業務」。以下:
■系列導讀
本系列由BCG亨德森智庫與創新工場董事長兼首席執行官李開復博士帶領的創新工場團隊共同推出,圍繞「AI融合產業:『改造者』1如何促進AI普惠」的課題,我們致力於探究傳統企業在應用AI過程中的關鍵要素與合作夥伴,以及傳統企業擁抱AI的範式與路徑。
在上篇中,我們接觸了提供端到端AI醫藥平臺的英矽智能,在今天的文章中,我們將進一步瞭解在生命科學、先進製造與智能零售等創新領域提供智能自動化技術與產品的高科技公司,即「改造者」——鎂伽科技。
1 「改造者」通過傳授其AI技術和垂直行業理解,極大地打破了傳統企業應用AI的瓶頸,充當產業中傳統企業應用AI的橋樑。「改造者」包括AI企業與成功轉型AI的傳統企業。
鎂伽是中國大陸領先的高科技公司,憑藉卓越的智能自動化技術與產品,實現行業創新突破和深度融合,致力於構建智能社會,賦能生命科學、先進製造等領域的智能變革,同步探索在智能零售等場景的創新應用。
■對談實錄
Q1:鎂伽為生命科學、零售和製造業提供AI解決方案,三個行業跨度很大,鎂伽如何進行賽道選擇?在發展過程中如何增進行業理解?
鎂伽:鎂伽是以機器人和自動化技術起家的,但在服務客戶的過程中,我們發現客戶需要的不只是機器人本體或自動化設備,還要結合行業需求痛點的解決方案。生命科學和線下零售都是市場容量很大、增速很快的行業,但自動化和智能化的滲透程度還很低,急切地需要提升生產力,因此我們選擇進入這些賽道。
這三個賽道看似跨度很大,但其實底層技術是相通的。比如人工智能技術可以用於晶圓的缺陷檢測,也可以用在藥物篩選實驗中的細胞培養和克隆挑選。鎂伽開發了許多通用的基礎底層技術作為支撐,比如IntellVega通用視覺平臺已經應用於工業領域線上視覺檢測以及生命科學領域的藥物篩選,鎂伽還有一個技術中台MegaCloud,集合了跨行業的後臺數據,能夠支援鎂伽在不同領域的各項業務。
當然,對於一線業務來說,使用人工智能或者自動化的形態是完全不同的。鎂伽通過儲備和培養大量複合型人才做到「比客戶更懂他的業務」,以體現鎂伽的專業性和技術領先性。以生命科學領域為例,鎂伽不只有人工智能算法科學家,還有包括幹細胞、類器官、合成生物學、免疫學、病毒學等方向的科學家,既有來自CRO、IVD和藥企的專業人才,也有懂市場營銷的專家。由於團隊的多樣性和複合性,鎂伽內部也建立了充分的互相培訓機制,加強團隊之間的磨合與學習。
同時,現代生物學現在已經成了大數據科學,人工智能的應用是大勢所趨。鎂伽在助力生命科學領域轉型的過程,通過智能自動化技術,説明客戶把非常複雜的生物學實驗標準化、自動化和數字化。鎂伽在兩個方面説明生命科學的客戶,一是用行業領先的高效自動化系統説明客戶快速產生海量的多維度實驗數據;二是用鎂伽人工智能平臺説明客戶對生物數據進行模型構建和關聯性分析,進而指導實驗的持續優化。
另外,鎂伽也是少有的在生命科學領域搭建了完整的生物學自動化實驗室的企業,能夠融合我們自己的自動化和人工智能技術。客戶親眼看到我們的實驗室之後都會很受震撼,認識到我們做的事情非常前沿,他們也很想加入。這就使得鎂伽和其他生命科學領域的硬件設備廠家區分開來。
鎂伽甚至發現,從過去幾年到如今,有不少AI技術公司找到我們,希望借鑒我們的垂直行業經驗。這些團隊往往有很強的AI算法能力,但是缺乏數據、缺乏應用數據的方式。以藥物篩選為例,鎂伽可以做到在實驗室設計方案之初就考慮到收集哪些關鍵數據並使其很好地滿足機器學習算法的要求,從而在實驗過程中自動採集證據以證明細胞安全且來源單一,滿足監管的要求。這是鎂伽相比於其他AI公司的獨到優勢。
在開發解決方案的過程中,鎂伽一直堅持從業務問題出發,首先找到高價值的應用點,再把點串成線,由線鋪到面。
Q2:就鎂伽的觀察而言,傳統企業應用AI有哪些共性問題?鎂伽是如何解決的?
鎂伽:傳統企業首先對AI技術能夠解決什麼問題比較模糊,也不太能理解AI是如何解決問題的。例如對AI如何能替代人工檢查、或者提升產品良率都不理解,因此很難提煉他們對AI的需求。鎂伽需要引導傳統企業的決策者來梳理業務流程,明確行業的特定痛點,從而制定解決方案,並計算和衡量自動化和AI能夠為企業帶來的經濟價值。
同時,傳統企業往往也缺乏高質量的數據,或者有數據但並未標記、數據不標準,無法有效地投入AI應用。傳統企業還缺乏AI人才,自動駕駛和視頻監控行業的人才和技術可能相對更多,但在傳統製造、生物醫藥這些行業,AI人才和技術是較為欠缺的。鎂伽建立了高效的數據獲取、自動化模型訓練和高精度上線部署的AI閉環,軟硬件團隊和測試團隊也做了充分的磨合,可以極大地提升傳統企業研發應用AI的效率。否則,從模型搭建、數據清洗到模型訓練、結果分析部署等等諸多環節,對傳統企業而言都是費時費力甚至難以為繼的。
鎂伽還會幫傳統企業搭建懂AI的團隊和建立完整的數據體系,包括説明傳統企業的團隊理解如何提煉數據、要采集並標注什麼數據等等。幫助傳統企業建立一支懂得AI應用的團隊有利於傳統企業的持續AI賦能。鎂伽內部建立了一個共有技術平臺,以機器人控制、2D和3D視覺、深度學習為核心的IntellVega平臺,及為用戶提供物聯網、SaaS線上集群服務和大數據分析等核心的 MegaCloud平臺,通過專業的開發團隊為客戶提供高效、智能化的整體解決方案,而傳統企業只需要提煉他們自身對產品工藝、質量的要求就可以了。
■要點回顧
1、「改造者」需要從垂直行業的業務問題出發,打造複合型團隊(既懂AI又懂垂直行業的專業人才),並加強團隊融合,實現「比客戶更懂業務」。
2、一流的「改造者」不只是提供產品和解決方案而已,還應當幫助傳統企業驅動變革管理,幫助識別和定義問題和需求,驅動認知轉變並提高員工技能,從而使AI應用在長期可持續。
■本期內容來自BCG對話鎂伽首席科學家王承志博士、首席技術官丁新宇先生、研發副總裁段金瑞博士、人工智能算法科學家蒯多傑博士和孫新先生。
「機器學習 標準化」的推薦目錄:
- 關於機器學習 標準化 在 Facebook 的最佳解答
- 關於機器學習 標準化 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
- 關於機器學習 標準化 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
- 關於機器學習 標準化 在 【機器學習2021】類神經網路訓練不起來怎麼辦(五) - YouTube 的評價
- 關於機器學習 標準化 在 机器学习中的标准化和归一化方法 的評價
- 關於機器學習 標準化 在 標準化資料:模組參考 的評價
- 關於機器學習 標準化 在 新手求救資料正規化、標準化的定義- 軟體工程師板 的評價
- 關於機器學習 標準化 在 台灣機器學習與人工智慧同好會| AI標準化是什麼 的評價
- 關於機器學習 標準化 在 Python機器學習:資料標準化與進階梯度遞減的實用技巧 的評價
機器學習 標準化 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
從火星探測系統到輔助工業製程,美國工業用 AI 新創 Beyond Limits 如何在台灣做到技術在地化應用?
李佳樺 2021/08/13
從2012 年美國太空總署成功將探測車「好奇號」送上火星至今,已經過了3000多個「火星日」,肩負著火星探測的重要任務,8年來好奇號傳回許多對火星的重要觀察與發現。背後更不為人知的,則是好奇號的 AI 運算系統,其實是由美國新創 Beyond Limits 的團隊建立的,公司發展至今也將觸角伸到能源、先進製造等產業,建立 SaaS 服務,為產業提供 AI 輔助平台,2020 年更獲得 1.3 億美元的投資,拓點到台灣、日本、新加坡、香港等地。
Beyond Limits 將 AI 應用到產業製程的契機,源自於當時跨國石油集團 BP 在墨西哥灣發生的漏油事件,企業希望導入 AI 優化決策過程,合作中也發現了石化能源產業的痛點,研發出石油配方建議系統、石油製程操作檢引系統等 SaaS 產品,不僅受到美國石油公司歡迎,日本市場也買單。
有了日本的先例,這套美國研發出的產品,照理說要拓展到亞洲市場應該不成問題,不料到了台灣卻窒礙難行,甚至需要重新開發不同的產品。
Beyond Limits 的台灣團隊究竟面臨了什麼挑戰?
台灣市場與美國差異大,Beyond Limits 台灣團隊必須如創業般從頭研發產品
台灣分公司總經理張中宜說明,台灣產業的先天特性,讓美國母公司已開發的產品都面臨市場可行性低落的問題,以石油產業的產品舉例,在台灣只有中油、台塑兩個客戶,且台灣的石油公司並不做研發工作,多半直接向國外公司購買配方,因此團隊必須在美國 SaaS 模式 的技術基礎下,研發出符合台灣市場、針對不同產業需求的商品。
「Beyond Limits 在台灣設立公司時的處境,跟重新創業差不多。」張中宜表示,AI 應用產品的開發不僅需要能夠從零開始寫演算法的工程師,也要有懂產業製程的專家團隊,龐大的研發費用與對產業專家的需求,讓每一次產品開發都像募資活動,團隊必須透過產業訪談做足市場研究找到痛點,說服製造公司與他們合作開發能解決產業問題的軟體。
然而開發全新市場對張中宜來說並不陌生。
她曾經在孟加拉創立幫助偏遠地區孩童課輔的非營利組織 e-Education ,第一年就讓偏鄉學子考上孟國最高學府卡達大學,更順勢搭上鼓勵企業與 NPO 合作的開放式創新風潮,讓卡西歐、 AI 新創、安永都找她擔任顧問,執行戰略布局或開發新通路的工作,面對 Beyond Limits 在台灣的難題,團隊選擇了電動車電池研發、面板機器手臂維修與人流異常預警系統等三個產業切入。
延伸既有美國產品技術,尋找合適的台灣在地產業切入開發產品
選擇電動車電池產業與 Beyond Limits 在美國石油產業的經驗有關,研發電池的過程與石油廠研發機油的邏輯相似,痛點都在於漫長的研發過程,就像做菜時要多次嘗試才會知道多少的鹽與油才是最佳的調配一樣,電池配方更要經歷至少半年的實驗,且實驗設計也要在無數次團隊與客戶的交鋒後才能成型,溝通成本相當高昂。
使用 Beyond Limits 導入認知 AI 架構的電池配方建議系統,研發人員只要以自然語言輸入期望的電池規格、價格與電車轉速,系統即可在 43 分鐘內提供數百種配方與實驗方式供選擇,縮短約 2 千倍的研發時間。
Beyond Limits 也在 7 月 29 日宣布與日本的三井物產公司進行策略結盟,以其認知 AI 的核心技術,協助三井投資的液化天然氣廠進行巨量資料分析,並整合作業人員專業知識與數位化作業模式,制定出精簡有效率的解決方案。日本三井整合數位策略部部長常務董事真野雄司氏說,透過與 Beyond Limits 的合作可以改善與再造營運流程,更有效率執行現有事業群的高附加價值項目。
另外,Beyond Limits基於公司在美國既有的輔助風電機維修平台,投入面板機器手臂維修建議系統的開發,「雖然也想在台灣用同一套產品幫助風電產業,也與風電廠陸續接洽,但台灣的風電仍在建設階段,缺乏營運經驗,目前的維修需求也不高。」張中宜談到,市場開發的大方向是要在台灣尋找具備預測維修需求,且市場密集、成熟的產業,公司在與投資人仁寶電腦的合作中,發現光電面板產線中機器手臂的維修概念與風機維修類似,而且痛點也類似:包含高昂的維修成本、未經標準化的維修流程,以及依賴經驗的維修決策。
目前輔助維修系統正與日本機器手臂原廠合作開發,由廠商提供維修資料與產業專家, Beyond Limits 透過 AI 分析維修數據,建立資料背後的邏輯推演,系統最終能判斷機器損壞的原因,並建議耗材種類與維修方式。從管理者的角度能降低維修、備料倉儲成本,對維修人員來說也有可依循的維修建議,長遠更能累積產業知識 ( domain know-how ) ,促進升級。
以邊緣運算技術,與北捷合作開發人流異常預警系統
而將技術從太空拉回到地面,Beyond Limits 也能在大眾運輸犯罪預警上有所發揮。他們與北捷合作,使用等同於在火星探測時、消弭與地球時差的邊緣運算技術,原理是透過分散式的運算提升效率,達成在監控系統的邊緣節點就進行異常人流的辨別,降低反應時間落差。
張中宜舉例,正常的人流像是乘客擠進車廂內的固定位置,開始滑手機,異常的人流可能是人群往四面八方散去,產生快速移動的樣態,異常訊息可以在 10 秒內將送到中控室,大幅縮減以往需要 4 分鐘以上的訊號傳輸時間,也能避免踩到人臉辨識的紅線,未來希望擴張應用到大樓監控,或是銷往他國的大眾運輸系統。
源自NASA,認知型AI成為技術優勢與門檻
與其他單純使用機器學習技術分類數據並預測結果的數值 AI 系統不同,Beyond Limits 的 AI 服務融合了數值 AI 與符號 AI ,前者的數值 AI 是透過大量數據讓模型認知「此為何物」,而符號 AI 則是藉由邏輯定義數值 AI 判斷的結果是好還是壞,並加以做出決策與判斷,以電池配方為例,將實驗室過去的實驗數據導入數值 AI 系統後,會得出樹種配方組合,再藉由符號 AI 判斷個配方辦法的優劣,並給予客戶回饋與建議。藉由結合數值 AI 與符號 AI 兩大系統的結合,讓人工智慧的每項建議都能以人類可理解的思路解釋,輔助人類做最後決策,也使人機協作的製程模式成為可能。
對於這項技術,張中宜表示這其實是源自於 NASA 將探測器「好奇號」送上火星後,由於火星與地球之間的數值傳遞有時間差,人類基本上不可能遙控好奇號,而且火星上的數據在這之前是 0,所以數值 AI 也無法運作,為了能夠讓好奇號自行在火星上探測與行動,勢必須要模擬人類大腦的認知型 AI 系統,當時才會開發出符號 AI。
根據研究報告,2025 年工業用 AI 規模將達 160 億美元,其應用開發仍具高度可能性,Beyond Limits 在台灣也希望更全面地研發產品打進該市場。除了正在培養市場的風電產業外,未來也希望協助優化晶圓半導體產業的製程,團隊更積極與社會、產業溝通,讓社會了解 AI 進入產業能讓人類更有餘力進行創意發想與決策,也讓產業正視轉型需求,近期將與台灣新創基地合作舉辦 AI 科普講座,持續促進製造業的人機共榮合作。
創業快問快答
Q:服務的創意來源,是因為發生甚麼事情而有這樣的想法?
A:台灣數位轉型瓶頸
Q:創業至今,做得最好的三件事為何?
A:用國際薪資招聘頂尖人才、台灣市場國際定位清楚、客戶分潤共創模式的商業模式
Q:要達到下一步目標,團隊目前缺乏的資源是?
A:能見度
附圖:BeyondLimits 台灣總經理 張中宜
Beyond Limits 以數值AI及符號AI兩大關鍵技術,達到人機互補智能
圖片來源 : Beyond Limits
擠捷運
圖片來源 : diGital Sennin on Unsplash
圖說:BeyondLimits Hybrid AI導入流程說明
BeyondLimits Hybrid AI導入流程說明
圖片來源 : BeyondLimits
資料來源:https://meet.bnext.com.tw/articles/view/47993?fbclid=IwAR2HbB5FrPIBoV9kDL27OnhNF-JDNzfYdsoLoVKn85yAA7GUjzDzI3y5Lw0
機器學習 標準化 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
維修業大敵來了!汽車理賠估算 AI 化,一張照片即可估價
2021/04/17
by
《科技新報》 黃嬿
身在沒有疫情的台灣可能沒太大感覺,其實這場疫情在全球造成的大流行,已經顛覆許多企業,汽車維修行業是案例之一。Wired 分析指出,愈來愈多汽車保險業者導入人工智慧 (AI),未來只要憑一個應用程式與汽車損壞的照片就能估價,直接影響的是車廠維修業者。
看看現在汽車保險業廣告,主打的還是理賠員親自到現場協助處理所有理賠事項,但大部分還是電話處理,汽車維修廠報價後,保險公司同時也估算損壞程度,在範圍內理賠。現在美國一些大型汽車保險公司已沒有人員親自到場服務了,而是要求發生事故的駕駛下載應用程式,指示他們以特定角度和特定光線幫汽車拍照,公司內部索賠估算師就使用這些照片估算修理汽車費用。
透過照片估算對保險公司來說省下很多人力。以前理賠員需要親自前往事故現場,每天檢查 3~8 輛車,有了照片,理賠員只需要一台電腦,一天就可完成 15~20 次估算。加上 AI,整個過程變得更快、更高效。因汽車標準化很適合使用機器學習,雖然一輛普通汽車 3 萬個零件可能有 100 萬個錯誤,但最常見的通常就是那幾種。
因此只要使用不同製造商和型號的數百萬輛受損汽車照片,就可訓練演算法分類圖像。電腦估算後,得到需要修復的內容,或是否需要人工檢查的結論後,就可使用本地零件供應商和維修商的數據估算成本。理賠員只需檢查電腦工作是否正確。最終目標是連人員檢查都不需要,達完全自動化估算。
一家公司數據分析公司預測,疫情前約 15% 美國汽車理賠透過照片解決,而不是理賠員親自訪問,現在是 60%,預計 2025 年將達 80%。保險公司也正加快投資 AI,現在所有索賠有一半涉及至少一些 AI 工具,但這項技術並不是取代人工,而是達到更快、更一致的索賠流程,特別是呼應年輕人的習慣,快速、簡便,盡量少打電話。
但汽車理賠 AI 化,受影響的是汽車修理廠老闆。報導訪問一名修理廠業者說,99.9% 電腦估算不正確,他認為電腦很難判斷車輛損壞照片的原因到底是什麼。修理廠老闆說,以後他們得花更多時間與保險公司討價還價,預期未來損壞的車輛滯留店內的時間會更長,甚至會因計價不合理,導致維修不確實。
現在保險公司的技術供應商也承認程式並非完美無缺。畢竟這是新技術,但也強調這是不斷發展的系統,只會越來越精確。數位化是擋不住的趨勢,最近智慧汽車保險新創公司 Clearcover 就是利用科技顛覆傳統汽車保險業的例子,使用現代技術將傳統人工保險任務自動化降低營運成本,且可在 30 分鐘內付款給符合條件的索賠。Clearcover 獲得投資人青睞,最新輪融資後估值達 10 億美元,成為所謂的獨角獸企業。
汽車維修業者不僅要面對內建愈來愈多晶片、愈來愈自動化的汽車,還要面對保險理賠自動化的衝擊。有專家直言,從歷史看,汽車維修業一直都願意且很適應變化,但下一波技術將是我們所見最具顛覆性的變革。
資料來源:https://fc.bnext.com.tw/articles/view/1316
機器學習 標準化 在 机器学习中的标准化和归一化方法 的推薦與評價
在机器学习实践中,经常会遇到对数据进行标准化、归一化等,那它与数学中的标准化、归一化、单位化有什么区别呢,python 包中如何实现这些标准化、归 ... ... <看更多>
機器學習 標準化 在 標準化資料:模組參考 的推薦與評價
標準化 資料模組. 本文描述Azure Machine Learning 設計工具中的模組。 使用此模組透過正規化轉換資料集。 正規化是一種技術,通常會在機器學習的資料準備過程中套用。 ... <看更多>
機器學習 標準化 在 【機器學習2021】類神經網路訓練不起來怎麼辦(五) - YouTube 的推薦與評價
【 機器學習 2021】類神經網路訓練不起來怎麼辦(五): 批次 標準化 (Batch Normalization) 簡介. 67K views · 2 years ago ...more. Hung-yi Lee. 172K. ... <看更多>