不想浪費人力在產線上的細瑣任務？想運用 AI 自動化檢測瑕疵，卻苦無技術？如果你也有這些問題，那你或許該考慮 Google 的機器學習平台 Vertex AI 。該平臺可以透過 UI 和 API 輕鬆建構、訓練和部署大規模機器學習模型的過程。即使是完全不懂 AI 的使用者，也可以訓練出高精準度的模型，應用場域包含圖片、文字和影片等。
此外，Vertex AI 提供 Edge 模式讓用戶能夠在地端執行，如此一來不必再 Call api 進行預測，原先每個預測節點每小時需支付 1.375 美元，這些費用在 Edge 模式也可省下來，對於需要大量預測的客戶來說，節省費用相當客觀。
一、情境假設
我們假設的情境如下：為了能讓員工避免產線上的組裝失誤，我們需要檢測生產線上，所有的插槽是否皆為單一。
下圖左四個硬碟托盤都為單一插槽，這也是我們希望看到的，因此本張圖片將會標記為 GO 。下圖右則是有其中一個硬碟托盤有兩個插槽，這顯然不符合假設產線的需求，因此會被標記為 NG。另外，考量到工廠可能會需要離線作業，所以本範例將使用 Edge 端的模型預測，僅需本地端的伺服器就能進行預測。
二、圖片分類的詳細步驟
上圖為使用流程圖，每個步驟的詳細內容在括號內的章節
1. 進入 Vertex AI 服務
- a. 打開並登入 Google Cloud Platfrom
- b. 點選導航欄，下滑至Vertex AI。（若找不到可直接去搜尋欄搜尋）
- c. 進入 Vertex AI 後，便會看到資料集、模型與預測
2. 建立資料集種類並匯入圖片
- a. 假設我們要新增資料集，點選「建立資料集」
- b. 為該資料集命名，並選擇任務類型
| 圖片分類(單一標籤) | 每張圖片只有單一標籤，如 : 圖片不是 GO 就是 NG，不會一張圖同時有 GO 和 NG 的標籤。 |
| 圖片分類(多標籤) | 一張圖片中有多個標籤，如 : 標籤同時為NG和 1 個螺絲。 |
| 圖片物件偵測 | 找到物件所在的位置，如 : 所有螺絲在圖片的哪些位置。 |
| 圖片區隔 | 此功能目前仍在測試中，因此不支援 AutoML，需自行寫程式訓練模型。 |
- c. 地區選擇有提供 Vertex AI 服務的地區（如：us-central1），選完按建立
- d. 等待創建完成後，點入剛創建的資料集名稱
- e. 選擇檔案上傳方式，最簡單的方式為直接從電腦上傳圖片。（一次最多為500張）
- f. 選取檔案上傳，資料切割選擇「預設」，並選擇 Cloud Storage 的路徑
- g. Cloud Storage 為 GCP 線上的儲存服務，若為第一次建立，需新建 Bucket。
3. 建立資料集種類並匯入圖片
- a. 進入剛創建的資料集，點選「新增標籤」，新增「GO」和「NG」
- b.點選照片加入標籤（可多選照片一次加入標籤）。註：每一個標籤至少要 10 張，官方建議 每一個標籤有 1000 張
4. 訓練圖片分類模型
- a. 新增完所有標籤後，到訓練頁面訓練模型
- b. 點選建立以新增訓練模型
- c. 選擇新創的資料集，接著選擇部屬方案，完成後點選繼續。
| AutoML | 自動訓練模型，但模型僅能在雲端上進行預測，每次預測都會消耗GCP 餘額，且無法部署於本地端。 |
| AutoML Edge | 同樣是自動訓練模型，但模型可以下載匯出至本地端，之後預測不會消耗 GCP 餘額，只是預測效果相較於 AutoML 較差。 |
| 自訂訓練 | 自行寫程式訓練模型。 |
- d. 車款詳細介紹（此為 Google 翻譯錯誤，應為資料切割）：這是用來選擇資料集的切割方式。首先命名模型，接著點開ADVANCED OPTIONS 可以選擇資料切割的比例。
- e. 車款詳可解釋性用於解釋模型判斷的原則，但勾選會增加收費。
- f. 訓練選項，自行挑選適合的選項
- g. 運算與定價，設置運算時間上限，最短為一小時。（600 多張圖片訓練約半小時）
5.檢視模型詳細資料
- a. 左側導覽欄點選模型，點選進入新建的模型
- b. 模型詳細資料，包含精確度等評估指標
- c. 評估指標視覺化
6.匯出模型並下載至地端
- a.匯出模型，選擇 TensorFlow.js，此類型能將渲染於網頁上，方便應用。
- b. 選擇 Cloud Storage 的儲存路徑，點選匯出
- c. 匯出完成後，至 Cloud Storage 下載模型
- d. 複製指令
- e. 點選 Cloud shell，貼上複製指令
- f. 完成後，在 Shell 輸入 ll
- g. 複製欲下載的模型名稱
- h. 點選三點標誌會出現下拉選單，選擇下載
- i. 將複製的模型名稱貼上至尾端，點選下載便完成
- i. 將複製的模型名稱貼上至尾端，點選下載便完成
7.使用 javascript 預測
由於我們使用 Tensorflow.js，因此可以輕鬆部屬於網頁瀏覽器上，而我們首先架設伺服器。
- a. 安裝 simple-http-server，如已安裝可跳過。（需有 Python 環境）
| python3 -m pip install simple_http_server |
- b. 透過 Python 執行 Web app
| python3 -m http.server 8000 |
- d. 在瀏覽器打開 http://localhost:8000，網頁便會出現「Upload Image」，點選此即可上傳圖片。
- e. 圖片上傳後，預測結果就會顯示在圖片下方。以下圖為例，有一個插槽為雙層，因此這張圖應為NG。而 AI 模型也成功預測其為NG的可能性高達 0.86，明顯高於GO的0.13。
三、總結 –Vertex AI
對於組織內沒有專門的 AI 人員來說，使用 AutoML 最大的優勢在於不需要高深的 AI 技術，也可以訓練出高精準度的模型，大幅減少訓練人才所需的成本。而適合的 AI 模型與部署方式，不僅可以幫助作業員檢測產線上的物件是否正確，也可以讓作業員專注在更為複雜的作業上。當然要發揮 AI 的最大用處，關鍵不只是模型的訓練與部屬，資料的前處理（ETL）也是 AI 自動化的重要環節。如有興趣了解適合自己的 AI 應用情境，也歡迎來信諮詢。
發布日期 : 2022-05 | Jeff
更多雲地混合解決方案 : 雲地混合規劃與建置
從 0 到 1 教你如何用 AI 進行瑕疵檢測 | Google Cloud Vertex AI
| Google 的機器學習平台 Vertex AI
| Vertex AI – 使用整合式人工智慧平台中的預先訓練和自訂工具，加快建立、部署及擴充機器學習模型的速度
