人工智能，或稱人工智能，讓我們在自拍時看起來更好，當我們向Alexa詢問天氣情況時，會順從地告訴我們天氣，并推動自動駕駛汽車的發展。正是這項技術使機器能夠從經驗中學習并執行類似于人類的任務。

作為一個整體，人工智能包含許多子領域，包括自然語言處理、計算機視覺和深度學習。大多數時候，工作中的具體技術是機器學習，它專注于開發分析數據和做出預測的算法，并且在很大程度上依賴于人類的監督。

SMU信息系統助理教授孫乾茹將訓練一個小規模的人工智能模型比作教小孩子識別周圍的物體。“一開始一個孩子不了解他周圍的很多事情。他可能看到一個蘋果，但不知道它是蘋果，他可能會問，這是香蕉嗎？他的父母會糾正他，不，這不是香蕉。這是一個蘋果。這樣的反饋在他的大腦中，然后信號微調他的知識。”

孫教授的研究主要集中在深度卷積神經網絡、元學習、增量學習、半監督學習以及它們在圖像和視頻識別中的應用。

訓練人工智能模型

由于人工智能的復雜性，孫教授在潛入研究項目之前，先對該領域的一般概念和當前趨勢進行了探討。

她解釋說，有監督的機器學習涉及到模型本身在一個標記的數據集上進行訓練。也就是說，數據被標記為模型正在構建以確定的信息，這些信息甚至可以按照模型應該分類為數據的方式進行分類。例如，一個設計用來識別蘋果的計算機視覺模型可能會在一組不同的蘋果圖像上進行訓練。

給它數據，數據就有標簽，她解釋道一張圖片可能包含一個蘋果，該圖片通過深度人工智能模型進行一些預測。如果預測是對的，那就沒事了。否則，該模型將得到計算損失或懲罰，通過反向傳播來修改其參數。所以模型會不斷更新。

孫教授觀察到，目前最先進或性能最好的人工智能模型幾乎都是基于深度學習模型的。在深度學習中，該模型基于包含許多層的深度神經網絡結構，從圖像、文本或聲音中學習執行識別任務。例如，如果輸入是圖像，則假設圖像可以由不同的空間尺度或特征層來描述。

孫教授舉例說：“以我的臉為例。區別于其他人的特征是我的眼睛、鼻子、嘴巴作為局部特征，臉型和膚色作為全局特征。對于識別，我可以用這些特征來表示“這就是我”。對于機器模型，它在不同的層中對這些局部和全局特征進行編碼，從而可以進行相同的識別。”

訓練人工智能模型需要大量的數據才能準確識別。她認為，如果一個人工智能模型只有一張人臉圖像，那么它在識別這個人時就會出錯，因為它看不到其他面部特征，而這些特征正是這個人區別于其他人的面部特征外觀有差異，人工智能依賴于高度不同的數據集，以便了解圖像的所有差異。

健康促進應用程序

孫教授正在研究的項目之一是Food AI++，這是新加坡健康促進委員會（HPB）的一個應用程序。用戶只需用手機拍下正在吃的食物的照片，就可以確定食物成分數據。該應用程序的目的是幫助用戶跟蹤所食用食物的營養，并利用這些信息實現健康、均衡的飲食。

孫教授和她的團隊收集用戶用餐時拍攝的圖像數據并上傳到應用程序中。觀察發現，食物圖像非常嘈雜和多樣，反映了不同的文化。

例如，新加坡的華人和馬來人有不同的飲食習慣、飲食風格和不同的食物種類，她澄清道當我們訓練一個模型時，我們從有限的類別列表開始，但是對于food應用程序，我們發現我們必須在應用程序編程接口（API）中一直擴展這些類別。我們必須不斷地修改和更新數據集。新加坡豐富的文化多樣性是該項目最大的挑戰之一。

除了收集更多不同的數據外，該團隊還在研究領域自適應學習算法。在不同的文化背景下，有不同的領域，因此他們必須考慮如何通過利用有效的學習算法，快速調整他們預先訓練的模型。為了對食物圖像進行這種處理，他們需要開發特定于食物的域自適應算法。他們還需要考慮將食品知識包括在內，以提高多領域模型的整體效率。

“我們希望通過在新領域中使用一個小數據集來進行這種調整。”孫教授說這是一項具有挑戰性的任務，它將使來自不同文化的新加坡用戶受益。

AME的FANN項目

孫教授目前正處于一個名為“先進人工智能系統的快速適應神經網絡（FANN）”的三年項目的早期階段。該項目由美國科學技術研究局（a*STAR）在其先進制造與工程青年個人研究基金（AME YIRG）下資助，主要研究計算機視覺例如圖像處理，圖像識別，或者視頻中的目標檢測。計算機視覺算法通常依賴于卷積神經網絡（CNNs），這是她的專長領域。

“這項研究的關鍵假設是，有可能建立基于統計水平知識學習的模型適應推理水平，通過驗證這一假設，我們也正在接近高級人工智能系統的目標，該系統可以為AME領域的應用訓練具有類人智能的機器模型。”

該研究旨在實現自動化視覺檢測的高魯棒性和計算效率，以及精密制造和先進圖像識別技術之間的交叉知識。孫教授相信，當快速適配檢測裝置廣泛應用于生產線的設計、布局、制造、裝配和測試過程時，研究成果將大大提高成品率，降低制造成本。
編輯：lyn