3S Market 傳遞 智慧應用與價值的商業資訊
Can We Rely on Wind and Solar Energy? |
| ||||||||||||||||||||||
智慧城市與環保節能
| ||
2017年11月3日 星期五
‧ 2017\11\03\3S Market Daily 智慧產業新
3S Market deliver Smart and Valuable information for Business
．面對勒索病毒只能兩手一攤？高效能備份讓你不再受制於人
How to Build Your Own Cloud & Share Data with NETGEAR ReadyNAS
面對勒索病毒只能兩手一攤？高效能備份讓你不再受制於人
勒索病毒近年來危害加劇，而且手法越來越專業，台灣的IT建置普及，一直以來都是駭客的重點區域，單是今年5月的「WannaCry」病毒，台灣的受災程度計排第4，要避免勒索病毒的方式有很多，像是不隨意點擊電子郵件的連結與附件、不造訪可疑網站、不隨意下載軟體，不過在工作中，上述情況很容易在不經意的狀況下就誤點，因此要將勒索病毒的損害降到最低，備份還是最重要的工作。
只是備份雖然早該是電腦使用的基本程序，很多時候還是難以落實，原因不是「忘了」，就是備份系統的效能太差，影響到正常工作，只好先把備份程序關掉，結果就是系統完全沒防範的暴露在危險之中。
新世代的備份需求
要解決這些問題，還是必須從備份設備著手，在選購設備時，必須注意2大重點：
- 備份速度，現在的檔案越來越大，在電腦上彙整時需要一段時間。
2. 傳輸效能，不管你的網路頻寬有多高，要是備份主機的輸入埠頻寬有限，你也只能慢慢等他跑完，這兩部分通常會是使用者不願意即時備份的主要因素。
Netgear ReadyNAS 輕鬆搞定備份大小事
關於備份這件事，Netgear可是專家，ReadyNAS讓備份不再困擾你，極速快照技術，只要1秒就可以快照備份和還原500G的檔案，連異地備援也使用快照技術，大幅減少頻寬壓力，傳輸效率比一般備份更快更穩。
ReadyNAS內建的10G網口，讓你的檔案傳輸快到不行，一次幫你解決了傳輸速度這個痛點。
．深度學習是泡沫嗎？何時會破？
Deep Learning SIMPLIFIED: The Series Intro
 |
來源：大数据周刊 作者：薛命灯
有人在 Quora 上問了一個匪夷所思的問題：「深度學習的泡沫何時會破？」在短短的十幾個小時內，該問題就得到了 18 個回應，而且每個回應都頗有深度。下面的內容翻譯自吳恩達和微軟數據科學家 Tim Scarfe 對該問題的回應。
吳恩達:
在 100 多年前也曾經出現過有關電力的炒作，但那個所謂的泡沫到現在都沒有破，相反，我們現在根本離不開電力!
深度學習為我們帶來了很多價值，它被廣泛應用在多個領域，如 Web 搜索、廣告、語音辨識、推薦系統等，所以毫無疑問，這項技術會與我們同在。深度學習技術與其他人工智慧工具(圖像模型、智慧決策、KR 等)的結合正在改變著我們的各行各業，它的影響力將不僅限於技術行業。
然而，在技術社區之外，人們對」情感人工智慧「似乎給予了過多的期望。我與一些 CEO 聊過這方面的問題，他們把人工智慧當成解決技術問題的靈丹妙藥。看來，在深度學習方面確實存在一些泡沫，我希望這些泡沫在變大之前就破掉，越快越好。
Tim Scarfe（微軟數據科學家，機器學習博士）：
我感覺深度學習比預想的要更加普及。深度學習為預測技術帶來了變革，而且在序列建模(如自然語言處理、語音辨識)、局部空間處理(如電腦視覺)和增強學習方面，具備無以倫比的性能。
在很多情況下，深度學習算法的性能，相比之前的「頻率學派」算法，有了階段性的進步。在擁有大數據集的情況下，執行關鍵性預測任務的性能優勢尤為明顯。
上圖展示了 ImageNet 電腦視覺檢測技術的快速發展，其中包括 2012 年 Alex Krizhevsky 使用他的卷積神經網路，擊敗了前作。今年，一個來自中國的團隊將錯誤率降低到了 2.2%，看來這場競賽似乎要告一段落了。
我們也看到過去 8 年多在語言處理和語音辨識方面出現了類似的進步。今年，微軟通過基於 CNN 和雙向 LSTM 的架構實現了語音辨識的 human parity。
人們常說這些要歸因於過去 10 年的數據大爆炸和計算大爆炸。實際上，這些大爆炸就是性能，得到大幅提升的主要推動力，而人工神經網路不過是一項古老的技術。我不認為我們會在這兩方面停下腳步，不是嗎?
不過我想說的是，這不僅僅是一次思維的轉型，或僅僅是一種全新的編程方式。
1.更少地強調特徵提取
在古老的頻率學派架構裡，數據科學家需要掌握一些領域知識來完成特徵提取。所有的算法都用來解決優化問題，這些問題與特徵是混雜在一起的。
這並不是說深度學習架構，就不包含領域知識，圖像的 CNN 模型局部空間依賴，和 RNN 模型臨時依賴不就是嗎?關鍵的差異在於，NN 模型會自己學習表徵層次，而這些表徵在很多情況下可以很好地工作。
2.新奇預測(novel prediction)架構
我想，我們現在的優勢，是可以在一個框架內搭建出一個端到端的新奇預測架構，而且可以很快地訓練模型，並在雲端操作模型。
在以前，我們需要回歸和分類算法，而現在我們使用預測架構。
上面的圖片展示了物體的分割和局部化網路——Mask R-CNN。請留意我們是如何使用 CNN 來檢測圖像特徵的，我們有一個區域提議網路(region proposal network)和該區域內的掩膜回歸(mask regression)，它們都處於同一個網路內。
任何一個熟悉深度學習工具包，和雲端人工智慧訓練平台(如微軟 Azure)的人都可以重現、訓練和操作這些東西。
深度學習實際上是一種新型的編程模式，也被稱為「可微編程(differentiable programming)」。
3.創新架構正在出現
這個可以參考 GAN 或混合專家(Mixture of Experts)模型。
4.業界在擁抱深度學習和創新
微軟和谷歌已經在他們的雲端，安裝了一些硬體，來加速深度學習，也因為深度學習與生俱來的靈活預測架構，得到了廣泛的應用。這一領域或許有點炒作過度了，但對於創新來說是一件好事，因為每個人都被調動起來了，變革的速度在加快。
5.超越深度學習
我並不認為我們剩下的只有深度學習。我個人相信基於模型的貝葉斯機器學習，可能會回歸，因為它可以在有效數據不足的情況下，對真實世界的領域知識進行建模，而深度學習需要大量的數據!
 |
| 康橋科技 —— 白光攝影機專業廠商！ |
．進化中的傳感器，從金絲雀到無人機
MEMS Technology - Micro Electromechanical Systems at NPS
 |
來源：物联网智库
傳感器的出現早於互聯網，更早於物聯網。從前，人們會利用金絲雀的對瓦斯的敏感度，在煤礦中檢測危險狀況，而現在可以用無人機來感應颶風的危險，用機器人來檢測核反應堆中的危險。
在今年舊金山舉行的傳感器大會上，筆者注意到大多數參與傳感器項目的公司，幾十年來一直在開發傳感器技術，早於物聯網概念出現之前的，這令我十分震驚。
鑒於傳感器是物聯網應用的重要組成部分，下面讓我們快速瀏覽一下從金絲雀時代，到無人機時代各種形狀，和大小的傳感器的演變過程。
調用所有傳感器
其實對傳感器進行分類並不簡單，因為有太多的分類方式了，特別是我們還處在一個傳感器概念，正在不斷進化的時代。
傳感器是從數位化世界到類比世界(A-D)轉換的窗口。
這裡有一些非互斥的傳感器類別，用以說明為什麼分類是困難的。
MEMS傳感器:應該算是傳感器的鼻祖，這些傳感器是基於微機電系統( MEMS)。這個類別不是特定於應用程序的，而是基於傳感器的尺寸(微米大小)以及它的構造方式。我們通常聽到的傳感器，如加速計、陀螺儀、麥克風，和大多數生物傳感器都是MEMS型的。
隨著新材料尺寸不斷微型化，到奈米尺寸，將會產生納米機電系統(NEMS)，這將進一步提升傳感功能和應用。
生物傳感器:他們能感受生物反應，並且能在分子水平上運作。它們中許多都是基於MEMS(生物MEMS)。例如將葡萄糖監測器，植入到癌細胞探測器上。
它們可以依賴於微生物，也可以是光傳感、密度傳感，也可以是被動的傳感器，可以像手錶一樣穿戴，或者是在我們身體內嵌入的支架。
環境刺激:例如通過感知光、聲音和身體接觸而工作的傳感器。光學傳感器、語音啟動傳感器、超聲波傳感器、運動傳感器、壓力傳感器、振動傳感器、流量傳感器，都基於這些模擬刺激而工作。
手機:其實你的智慧手機，就是一個傳感器。它可以追蹤你的動作，可以進行人臉或指紋辨識以保證安全。包括為實現對環境進行3D感知，並輔以增強現實技術的被動遙感傳裝置，已經指日可待。
遠端傳感器:衛星已經為這個功能，服務了幾十年了。有一整個類別的遙感衛星，都可以執行從地理定位到天氣分析的任務。
無人機和機器人:我們通常不會認為無人機是傳感器，但大多數無人機都被應用於航空勘測，就像颶風哈維之後使用的無人機，就調查了AT＆T和政府等公司的損失。
人類:當我們告訴Waze導航應用程序，在路上有一個坑，或者當我們拍下受損的公共財產的照片，然後把它送到政府機構，其實我們就正在扮演著宏觀的傳感器角色。
基於傳感器的構造方式，互斥的傳感器分類並不簡單。
傳感器需要科學和技術的整合，它們已經成為數位化的象徵。
這有一個關於傳感器的觀點，是將類比和數位技術結合在一起，傳感器的大小從奈米到微米不等，並且將結合各種技術學科來製造。從MEMS傳感器到衛星，再到人層層遞進。
傳感器需要整合的是科學和技術，而不僅僅是計算和通信技術，它們是數位化的象徵。
特定於應用程序的傳感器
除非你是一個零組件製造商，否則上述分類在對你選擇傳感器方面，並不是很有幫助。你需要根據應用程序類型、功能需求或非功能性等屬性，來選擇是否使用它們，比如傳感器連接到的設備的壽命。
有時你為了完成多個功能而需要複合傳感器，比如微型導航傳感器，它結合了加速計、陀螺儀和GPS。
選擇垂直行業的例子
石油和天然氣:在加工製造石油和天然氣等資源行業，流量傳感器佔據了主導地位。高和低精度的傳感器，可以測量液體和氣體的流動以及環境條件。
汽車:除了飛機之外，也許一輛汽車擁有最多的傳感器了，而且這個數字還在不斷增加，以支持自動駕駛功能。即使在自動駕駛車輛出現之前，車輛的每一個方面如從汽車的速度，到剎車墊，再到制動液液位，都會被測量。
汽車的自主性要求汽車增加傳感，並且要使用像雷射雷達這樣的技術，來做更多的外部車輛(車輛到車輛)，和V2I(車輛到基礎設施)傳感。
消費者設備:這款智慧手機有15個傳感器，還不包括可以用作傳感器的攝影機。他們從位置、距離、方向和環境條件來衡量一切。
醫療保健:這裡的傳感器從無侵入的追蹤器，和可穿戴設備到侵入體內可以檢測心臟損傷，或突變細胞的傳感器。
為應用程序找到合適的傳感器，需要行業專家們的專業知識。對精確性的要求，常常會使成本成倍增加。
總結
傳感器不僅出現的時間要早於互聯網，並且本身就擁有一種新的雲連接能力。
從使用金絲雀作為傳感器到使用無人機和從生化傳感器到機電傳感器的機器人，我們已經取得了長足的進步。
從奈米到微觀再到宏觀尺寸，傳感器都是作為人工智慧的眼睛的功能。奈米傳感器和生物傳感器的進步，將會釋放出一系列新的我們，今天只能在科幻小說中看到的應用。
但是要充分發揮傳感器的潛力，不僅僅是簡單的，將大數據與算法結合起來，而且需要更多的技術融合才可以。
 |