「黎明來到之前,我們如何與疫情共存:群體免疫前的公共衛生指引」(下):如何維持社會運作
昨天分享了上半段的逐字稿後,詹長權教授分享了台灣與世界各國抗疫作戰策略,接下來,詹教授與鄭藥師要繼續跟大家談談如何使用各種篩檢工具,來維持一定程度的正常生活與經濟生活。
上集:台灣與世界各國抗疫作戰策略
👉https://bit.ly/3grsEYg
#維持社會運作的軟性封城
邱顯智:就是檢測跟疫苗的部分。那我們想請教教授,剛剛從南韓、英國、新加坡到以色列,總歸來講病毒是我們的敵人。在這第三世界大戰的情況之下,第一個要件就是要先知道敵人在哪裡?這就是篩檢的部分。第二個要件就是要能夠如何殺死敵人,就是要靠疫苗、要靠攻擊。
那我們想要請教教授,因為我們今天的主題是,了解在疫苗未達到群體免疫,目前到群體免疫可能還有一段時間,在疫苗還沒達到群體免疫之前,我們必須跟病毒共存。在這種情況下,我們的經濟產業,比如現在立法院今天在討論紓困,因為現在各行各業都受到很大的衝擊。我們的經濟產業、我們的日常生活,一般的人民到底要如何在這個狀態下,來安全的進行生活。
詹長權:病毒一定要是靠人跟人的接觸傳染。尤其這次病毒,我們已經知道,他最主要傳播的途徑是經過空氣傳播,而不是飛沫傳播。所以它可以像pm2.5一樣非常微小的微粒,經過我們口或鼻子的呼吸出來以後,去感染另一個人。
所以怎麼辦呢?人跟人不要接觸就不會傳下去。最嚴格的就是武漢式的封城,就是人通通不能動,連買菜都不能上,他是送菜到你家裡去。這樣可以做個差不多病毒傳染的四次左右,也就是四十八天之後,它就會傳不下去。所以這個是有的說,我們為什麼封城一個月、兩個月會有效。
民主的國家很少人這樣做,也做不到啊。因為要去執行這個,等於是把所有人當成犯人,關在你自己的家裡,那是很困難的。那要很多的,有時候動用到軍隊去維持秩序,這是很難的。
所以我們不可能這樣走的時候,你一定要走出一條路,就是比較軟性的封城。軟性封城裡面就要分不同的層次。我常常講說,封城有的人就在你的鄰活動,有些人就在你的里活動,有的人就在你的鄉或是區的範圍活動,有的人就在縣跟市的程度活動。
那哪些人呢?那你就想說,哪些是維持社會生活所必需的活動的人,那他的活動範圍就最大。哪些人在這個疫情之下,可以不要那麼大的,比如說我們的長者八十幾歲,他可能在里的範圍安全的能夠走動,可能就可以了。我們可能要去思考這樣。
#4T是群體免疫的必要手段
詹長權:那要怎麼做?就要檢測啊。你就檢測安全的,你那一天就可以做這個。你檢測不安全,那一天就不要出去啊,不然你沒有辦法。現在的假設是每一個人身上都有病毒,所以很可怕,大家都關起來。每一個人都沒有病毒的所以你就出去,然後你生病了,我才去檢測說,哇原來你有病毒!這個從從新北市跟台北市正在發展的疫情,就知道不可行嘛,都太慢了。
所以解決的方法,我們叫做testing,就檢測。檢測的目的是知道誰傳給他,他傳給誰,所以就是要去做疫情調查。我們叫做tracking跟tracing,就是說你是走哪些足跡,你碰到誰。這個就要靠我們電子的方式,我們要有一些方式來知道他的足跡。
接著讓非常好的疫調人員去問。過去用紙張去問,現在都數位化,人家都進步到說,你一定要用數位的速度去追病毒。這個要好好去問,那有病的就好好治療,treatment。這樣是一個我們現階段,從諾富特事件、華航機師事件,已經預告我們台灣的社會已經進入社區傳播的時候,我們本來就一直要這樣,testing、tracking、tracing、treatment,就是四T。
四個T的方式,是我們比較可以過相對比較正常的生活的一個疫情流行的時代。如果都不做這個,那我們可能真的要封城了。那我想,我們台灣是很難接受是用封城的方式,事實上我認為也沒有必要。
那我們有沒有辦法啟動這個testing、tracking、tracing、treatment四個T的防疫呢?可以的。第一個就是要testing,你要運用所有可以檢測的工具。我們就可以每天很有信心地說,就我剛剛講過,根據活動範疇不一樣需求的人,他可以是安全的人就可以出來,不安全的人就是做適當的隔離。這樣,我們可以把我們社區感染控制在一定程度之內,我們還可以維持一些正常的食衣住行。
#精準公共衛生的趨勢
邱顯智:所以就是說,從教授的分析,結論就是在疫苗達成全體免疫之前,其實為了要維持我們正常的生活、避免封城,唯一的途徑就是檢測。
那我們想要請教,就是說現在所謂的居家檢測也好,或者是說這些企業快篩的篩劑來講的話,有的人會說這個偽陽性、偽陰性的比率的問題。那據我們了解,其實好的篩劑、好的快篩試劑的話,基本上也是各國都來搶的狀況。那到底現在世界上的技術,以這樣的篩劑來講,已經水準到什麼樣的程度?教授可不可以幫我們說明一下。
詹長權:在醫學上我們叫精準醫學,在公共衛生叫精準公共衛生。所謂精準的意思就是個人化。大家如果想說,第一代的電腦,大家都要到電腦中心去用,跑你的程式,到現在我們手上的一隻手機,就比電腦還強。
我用這樣來比喻,就是說過去一年來,各種檢驗因為個人化、小型化,那種進步的速度是,每次我看到台灣在討論這個的時候,是一直在搖頭,還停留在Covid之前的一個想像。他都沒有去看市面上的各種試劑。所以很多的檢驗,從PCR檢驗到抗體、抗原,這些檢驗呢,都已經可以做到非常小型化、個人化,然後自己來做。
所有檢驗都有可能漏掉。漏掉陽性的你就是說偽陰,不是陽性的那你說那就是偽陽,這個都有。沒有一個是百分之百的,檢測是沒有這樣。那有很多的因素造成是這樣,就是試劑本身的極限,還有人那個時候,因為病毒不是機器啊,病毒是活的東西,在身上跑的那個過程,不是我們想像說,永遠你在鼻腔裡面,你就一定採樣十次,十次踩出來的量都一樣。總之是不可能的。
但是我們可以怎樣來減少這個錯誤呢?就是持續的檢測啊。持續的檢測,就可以來減少這個誤差。所以我們在乎的,我們現在常常在乎的是一次檢測的偽陽或偽陰,而是說這個人在一段時間,我測他的偽陽或偽陰。假設在一個禮拜天天測,然後七天測下來,他的個人檢測的敏感度,可能比你某一天去一個醫院做一個PCR還準啊,因為他真的可以知道病毒在人身上的變化。這個就是不斷檢測的一個,我們叫做serial test,就是系列檢測,很多國家就用這樣。
現在最能被人接受,大概就是三天內,你只要隔三十六小時測一次,這樣等於是前後這樣兩次,大概你要偽陰、偽陽的機會非常少。就是你那個時段,因為經過這樣兩次檢測,你就知道很有把握,陰性就陰性,陽性就陽性。看是PCR也好,抗原也好,大概都可以做到這樣子。所以我很高興說,在你們的推動之下,國家開始想說,我們叫做居家檢測,就at home test,就是這個意思。
#居家檢測結合IOT
詹長權:我們突破這個還不夠,因為at home test最有加值價值的,也就是這一次我看到台北市和新北市裡面的檢測缺的一點,就是說人家都已經數位化。所以我們去快篩的結果,都沒有結合台灣很好的IOT技術,把這個大資料庫去作為防疫所用。
所以怎麼樣在家檢測,現在很多在家檢測的結果就結合手機,然後就一個APP,就可以到疾病防治的,像衛生局或是指揮中心,他就要開始處理這個數據。所以我們在搶時間啊。我們要的是這個人採樣完,在他家裡十五分之後的結果,某一個數據資料庫就知道,你才能採取行動阿。
邱顯智:趕快上傳了,透過手機透過APP上傳。
詹長權:對。所以我們怎麼做呢?假設說我們的學區、一個小學,這個情況一直延續到九月多,該不該開學?現在就是我們等待教育部說,我們繼續不要開學。那假設有這個系統,每一個人都測了,每天七點都測完,學校就知道這個數據了,陽性的不要來就好啦,不就可以了嗎?
為什麼?這個就是我們可以去想的。一樣,公司說你今天輪到單數的人今天來辦公室,雙數的人在家。但是輪一次,裡面十五個人有,其他七百個人沒有,那十五個人可以先不要來啊。那公司可不可以營運?這些東西都要靠檢測。你不檢測,你的假設是什麼?大家都安全?大家都覺得沒有啊、不安全。大家都不安全、都不要來?也不對啊。大部分人可能是安全的。
邱顯智:就不知道實際的狀況。
詹長權:所以我會說,如果居家檢測這個開始推了以後,希望我們不只是居家,我們要居家的smart testing。就是一定要把IOT的技術用上去,要把那個APP,各國都弄好了,都有這個。我們如果沒有這個,我們不斷的測,目的幹什麼?你要有這個訊息才能夠做決策啊。所以這個是如果台灣有在發展這個試劑,下一階段一定要結合這個。
#連結社區藥局與基層診所
邱顯智:瞭解,謝謝教授的說明。那這邊讓教授先休息一下。我們繼續上面的問題,來請教鄭文柏藥師。就是說社區的居家快篩或者是說At Home Test,我們現在看起來,這很有可能在醫院的診所企業索取之外,有可能開放社區藥局來提供民眾來使用,比如說像國外的狀況。其實我們也一直對開放民間來協助防疫這一塊,持非常正面的態度。希望這一次的防疫,逐步建立公私協力的系統。
我們在這邊,也請教鄭藥師幾個問題。首先,上面提到的居家快篩的這個模式,如果下到第一線的現場,以您的觀察,特定場所才能提供,比如藥局、診所才能提供居家快篩的試劑,有沒有必要?或者是說,要怎麼樣做,然後開放民眾方便來使用才是正確的。
鄭文柏:謝謝委員。其實現在因為醫院在降載,社區藥局跟基層診所大概都因為承接不敢回醫院的這些慢性病人,所以其實我們的工作量也蠻大的。只是說如果真的有需要在社區或居家做快篩的話,那我們也非常樂意來擔任這個提供者或者是後續的衛教指導的部分。
#居家快篩的社區衛教宣導
邱顯智:第二個部分,在衛教的宣導,或者是產品的使用,到底要如何使用At Home Test也好,或者是抗原抗體的試劑。民眾可能會五花八門,我真的自己可以來做嗎?以我們目前的社區藥局的能量,在社教宣導或產品使用上面,能不能因應這樣子的狀況?那我們有準備好了嗎?請教鄭藥師。
鄭文柏:我覺得居家快篩要考量幾個面向,就是民眾能不能正確的操作快篩試劑、能不能好好的保存,然後對判讀的結果會不會產生疑慮。比如說只測一次的偽陰性偽陽性,他會不會因為偽陽性然後害怕自己被隔離,他就不敢去做對他好的診療?會不會因為偽陰性,然後他就鬆懈了?
所以其實我覺得居家快篩,比如說最近有兩款居家快篩試劑在送審,那我們就會蠻期待他應該是要方便操作。因為其實在台灣,有很多是老老照顧或者是獨居長輩,那他們就需要非常簡單的,比如說是唾液快篩或者是非常簡易的鼻腔快篩。他們可能沒辦法使用現在大家一般看到的,要放到鼻腔非常深入的地方。如果沒有放準、放不對,也有可能造成組織的受傷,或者是測出來的結果是不精準的。所以快篩試劑簡不簡單使用,是一個蠻重要的部分。
後續判讀的結果,我覺得其實也蠻需要供應者,他可以當作一個持續諮詢跟追蹤的一個平台。比如說,由我這家藥局供應民眾的快篩試劑,後續有問題的時候,他應該要可以找到我這家藥局,或者是找到理想的醫院的檢驗科,或者是基層診所的窗口,去做持續的溝通。讓他不管是測出什麼結果,都可以得到好的後續的追蹤跟治療,我覺得是蠻重要的。
#建置高齡友善的IOT系統
鄭文柏:剛剛院長有提到IOT的部分,我覺得非常好。居家的部分,我剛有提到居家有一小部分是老老照顧或者是獨居長輩,他們可能會沒有相關的設備可以去做IOT的回報。其實像基層的藥局跟診所,我們都有健保VPN,包括我們去年的口罩實名制到現在很多的檢驗數值還有現在慢性處方簽,也可以用通訊診療或居家醫療的方式。其實健保的這個系統都是非常好用的。
剛剛提到的這兩個老老照顧或者獨居長輩,他們不會使用這些裝置,他們就可以用電話的方式提供他們這些通路,講說我測出來的結果我是怎麼樣,那你是不是可以幫我用VPN做通報。
其實這個對我們現在的科技門檻應該都不是太難的部分。所以我覺得,如果可以把這些串在一起,我們可以供應簡單操作的試劑,然後給民眾明確的使用方針跟後續通報的方針的話,那我們就蠻有機會把這一塊給填補起來,達到大家都可以很明確掌握現在社區整體的狀況是怎麼樣。
所以回到剛剛第一個問題,就是我覺得這個快篩試劑還是牽涉到蠻多的指導,包括操作面、保存面、後續判讀結果的追蹤面。所以我覺得他還是要在一個,相對可以持續的追蹤跟衛教的場所來提供,會比較好。
如果真的到了那個階段,社區藥局或是基層診所或者是檢驗所,我們要來供應這個試劑的話,我自己會蠻期待這些基層的單位可以串聯起來,去製作一些易讀的手冊,可以讓自己跟民眾都對快篩試劑的整個使用操作有更多的了解,可以讓民眾更安心地去使用。
邱顯智:謝謝藥師。這個部分接下來也是我們關心的重點,就是說希望到時候居家快篩的試劑指引出來之後,我們能夠用最快的速度,讓這些資訊可以馬上讓一般民眾來了解。
藥師剛剛也提到一點,其實我覺得是非常非常重要,就是說後續的制度也能夠趕快把他趕上,不只是說銷售At Home Test,相關的配套。那其實剛剛院長也有提到,就是說如何能夠把這個資料去上傳,透過自己的手機等等之類的。那如果說,像你跟診所或者是在這個藥師在藥局教授的話,透過藥師或者是診所來做一些指引或是指導,相關的後續應該要如何來處理的話,我覺得這是一個蠻理想的方式。
#如何看待快篩的偽陽偽陰問題
邱顯智:老師想再請教,接下來如果因應大規模的居家快篩或是企業快篩,第一個問題就是說,很多民眾還是會覺得說,那到底,因為剛剛其實也提到,檢測試劑不可能提供百分之百的準確狀況,這個偽陽性的問題到底該如何去解決,這其實也是大家關心的。
快篩之後要搭配PCR的方式呢,透過擴大PCR的量能夠接上快篩的速度嗎?這個到底是要怎麼樣來處理?其實就是說,現在民眾大家也在擔心說,如果驗出來結果是偽陰性,那受測者他可能就放心出去到處亂跑等等之類的,或者是說測出陽性後他不想被隔離,所以隱匿不報。
就這個方面,如果看其他國家的做法的話,是不是有什麼樣的方式可以來防止這樣的情形發生,或者是從公共衛生的角度,要如何來看待這些問題。
詹長權:就是說如果有所謂的偽陰偽陽,現在大概都做到99點幾,也就是一千個人,你會發生錯誤的常常是一到五個人而已。幾乎做到快100%不會有錯誤。這樣的事情告訴我們就是說,我們在乎的是那一個人,還是九百九十九個。
檢測的目的,剛剛我有說過,一定要給活動力最大的人用。所以說長照的人,當然是要由社區藥局或是長照的角度去幫他測,可是那個測出來的目的是不一樣的。
所以在西方已經很多地方,在德國,你以後要去參加看一個球賽,你就要有檢測護照啊,我測過啦。不管你是哪一個,你才能進去呀。不然你要怎麼辦?所以我剛剛講IOT,要認真去想,就是說我測完之後,除了上報我那一天,要有一個數據,那個東西你就要show。
所以他們現在在很多地方,要去聽音樂會,要去參加一個群體的活動,他規定你只有100人,而且100人都要測過,要陰性才能進去,你要怎麼去檢查?你口袋裡面去放一張紙嗎?還是你要去放在手機裡面。所以後面是一個比較現代的社會能夠用的。
所以我們有一個人,譬如說,假設你是住新竹,你必須在台北跟新竹來往,那你要有通行證。通行證怎麼去弄?當然是在某一個APP上會比較方便。所以這樣開始測以後,就會有用途,每一個測要有後面的用途。我們常常是為了測而測,爭論偽陽性偽陰性。這個是要什麼用途,才有意思。
#目標導向的疫調作業
邱顯智:這要有誘因,這就是一個誘因。
詹長權:所以從工廠,我現在跟彰化縣衛生局詢問,他們非常聰明的,彰化縣衛生局大概會跟廠商開始做這個快篩的計畫。廠商提出來之後,他們會去輔導他。所以工廠的快篩就跟外面不一樣。今天假設工廠有1000人,他們希望做風險評估,把它分成小的一塊一塊,假設是100人100人。他要有系統地去測,測出陽性要做疫調,要把他圈起來,這樣是比較好。
工廠並不像社區,它有生產線有一些事情。我就覺得說,在什麼科學園區設立快篩站,那是一個非常沒有效率的。你必須要一個廠一個廠,跟它工作的特性。我們現在已經,我舉個例子來講,從我們工廠的分析,可能只有30個人,最可能跟300個人互動,其他的人他去工廠也沒什麼跟人家互動,你要先測誰?測那個跟人家很多互動的那群人。所以要有目標的、有方向性的快篩。
這樣每一個工廠我們如果有這樣的輔導之後,因為測完之後,我說要去疫調,誰來疫調?當然是衛生單位要去介入疫調。所以那有一個介面,不是測了就好。陽性的就要開始去問,前14天接觸過誰?誰來問這個?這個當然越早知道資訊越早能夠問嘛。
有些有病的你就要治療,要送到醫院去。這邊有一個建議,讓我看到目前為止,都為了篩而篩。你篩了沒有去跟地方的醫療資源整合,所以衛生局責無旁貸,要出來。市政府的或縣政府的勞工處也責無旁貸要出來,因為這個是互相有關係的。那他這個體系有了以後,我們的醫療也好,我們的社區藥局所扮演的角色就清楚。
#區分快篩現場的性質
詹長權:今天我們進入到職場的快篩或居家的快篩,我們很多人還覺得他好像是醫療的快篩。不是的,因為我們一般的藥局是不瞭解工廠的運作。這一號是職業衛生的人要去了解。所以國家已經進入到那個部分,是要跨部會進來做很多事情,不是只有衛福部。因為衛福部對醫療體系很清楚,對醫生病人很清楚,可是他對勞工跟工廠跟老闆之間,這個他不清楚,那他們有一定的作業的方式。
所以我跟我在園區的學生,他們都做到工安衛的主管,我就跟他們講,這是一個對於工人安全衛生保障很重要的一件事情。這一個生物性的危害,我們要怎麼去因應?這個部分就是說,假設衛福部門、醫藥的部門,進去以後,怎麼跟他們一起合作、學習他們工廠的運作,有的是24小時輪班的,有的是上班制的。這個都有一些要去修正以後才能做。
##提供居家快篩是民主國家的基本人權
詹長權:但是這個,我還是覺得說,知道自己有沒有感染,知道自己有沒有感染過,這是人權。這不是衛生單位為了控制疫情的權力,這是每一個人應該讓他知道我有沒有。一個民主的國家,提供這個居家型的自我檢測,就是賦予人民最重要的一個權利。你讓他知道,那他知道以後資訊怎麼用,大家要來討論。也有可能出現你說,為了怕被汙名化,他就掩藏的,這他每個社會都有。
但是在防疫當中,感染的這個資訊不會是100%個人的隱私權,這個不可能,因為你會影響到別人。所以這一定有一個界線。但是我想,給每一個人自己知道此時此刻我是不是有感染,我是不是已經感染過,這是應該要有的人權。
所以如果你們已經爭取到這個,國家也體認到這個,我們是一個人權立國的國家,我們應該要付給人民,要研發出對於人民了解自己被感染的狀態的這個工具,要越方便越好,越好用越好。這個是責無旁貸的。一旦這樣,我們才是一個民主的國家,很有力量地去對抗這個病毒。這是每個人都很聰明的,每個人都很自知的,那他才會有動力說我們一起來解決。
這個普篩或是廣篩以後,會給人民,你會發現有一個新的力量,就是說他會越來越注重自己的健康,也會關心別人的健康。這是我看到,你看我們這個藥師就知道了。慢性病裡面,糖尿病的人測血糖,高血壓的人測血壓,現在好多人都測到好像專家,還會教人家你就怎麼樣,你要注意怎麼樣。這個就是我們健康裡面的賦權觀念,Enpower,他就會注重自己的健康。因為他覺得很重要,他就會去教別人。
所以你會以後看到居家檢測,他會教說你要這樣做才會更正確,這樣我們全民防疫的意識就會提高。所以我覺得就是要站在人權的角度裡面,去看這個問題的時候,很多事情就迎刃而解。你就給他這個權利,給他自己掌控自己命運的那種感覺的時候,我想這個事情就很容易推。
#醫療廢棄物處理
邱顯智:老師這個說法真的非常令人感動,馬上有網友說非常贊同老師說這個人民有知的權利。那這個部份想請教鄭藥師,關於有一些朋友也擔心說,比如說這個at home test ,at home test 之後假設驗到陽性,那這個會不會有醫療廢棄物的處理。就是說,如果一般來講,像在藥局,或是說在醫院跟診所,這個部分不知道要如何處理?以後如果說有居家快篩的狀況的時候,我們也關注這一的部分,是不是有一個妥善的處理方式?
鄭文柏:一般藥局比較常遇到的,像是胰島素的注射針筒,大概是我們比較常見的醫療廢棄物。我們除了會教導民眾收集這些使用過針筒,不要插到自己或者扎到處理廢棄物的人之外,如果他不會自己處理的話,我們就會請他帶到藥局,可能會有那種廢棄物的收集箱,會去把它收集起來,也會把它當成一個感染性的廢棄物。其實醫療院所大概都會是這個樣子。就是我們會有適當的裝備,然後去謹慎的處理這個。把它跟一般的垃圾分離開來這樣子。
那在疫情的測試劑,如果產生了醫療廢棄物,我的想像是它其實是應該跟這個確診的個案到醫療院所。因為到底試劑有沒有判讀錯誤,我覺得那個還是需要去dobule check的。所以應該民眾不用嘗試著去特別的處理它,而是讓它留著,可以到醫療院所去做進一步的確認跟後續的處理,可能會是比較好的方式。那這個可能詳盡的處理流程,也應該是在我們整個快篩的指引,或者甚至是在包裝的上面可以呈現出來,讓民眾有個比較好的依循這樣子。
邱顯智:是。謝謝鄭藥師的說明。那時間也差不多,我們今天的直播也要在這邊告一個段落。不知道詹教授或者是鄭藥師二位,有沒有想要補充說明的部分。
詹長權:補充一下他講的最後一段。就是大部分的人都是陰性嘛,那陰性就是當一般廢棄物處理掉就可以了。他就是陰性啊。那陽性的人就是跟陽性一樣,他不只是他這個東西,很多東西他都不能亂丟啊。國家就要有一個機制。國外的很多作法,他其實有特殊的袋子,他要求你就郵寄回去,不管你是陰性或陽性,他就處理。如果是在藥局,就是很像我們剛剛沒有錯嘛,很多這個注射胰島素的,一段時間就回去。
所以也有可能在社區裡面,就變成你們必須要有有害廢棄物收集的桶子,反正他就這樣去處理。他本身就不可以跟別人接觸了嘛,頂多是他自己騎腳踏車,到你那裏放一下,回去他也沒有跟別人接觸。這是一種方式,就是不處理,就是跟居家檢疫一樣,應該有特殊收集的體系。
這個都做得到。但是其實大部分的人都是陰性,所以他就是跟我們一般的垃圾,跟這個摳耳朵一樣,摳一摳你不是也丟掉嗎?我想就是這樣。不應該用一些小細節來說這個好像很困難做,會有社區傳染的危險性。我想還是以那句話,如果你去想想看他是一個基本人權,變成你想知道,那你就會非常小心,你一定會非常小心,因為你已經體認到它的重要性。
#結語
邱顯智:是的,就是基本人權,而且也是疫苗來到到達群體免疫之前,偵測是唯一的方法,能夠把敵人在哪裡,能夠真的把它找出來。
今天我們非常感謝兩位來上我們的直播,也非常感謝螢幕前面的這些觀眾朋友。面對未來不管是居家快篩或者是企業快篩,相信台灣的防疫又是新一波的挑戰。那我們今天非常謝謝,能夠請到詹長權教授、院長,來跟我們分享這些寶貴的建議跟專業的看法。
也非常感謝鄭藥師,提供我們一些現場的觀察。今天很開心,看到指揮中心總算來根據我們的主張開放社區居家快篩。也謝謝許多網友對我們的指教,我們一定會持續監督相關的議題。希望今天的內容對大家在未來疫苗大規模到達之前,該有的防疫的概念,然後讓大家在接下來的日子裡面,面對相關問題能有一個心理的準備。再次謝謝大家。今天節目到此結束,謝謝鄭藥師,謝謝詹教授,謝謝。
同時也有10000部Youtube影片,追蹤數超過2,910的網紅コバにゃんチャンネル,也在其Youtube影片中提到,...
「漏 液 偵 測 裝置」的推薦目錄:
- 關於漏 液 偵 測 裝置 在 邱顯智 Facebook 的最佳貼文
- 關於漏 液 偵 測 裝置 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳解答
- 關於漏 液 偵 測 裝置 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳解答
- 關於漏 液 偵 測 裝置 在 コバにゃんチャンネル Youtube 的最讚貼文
- 關於漏 液 偵 測 裝置 在 大象中醫 Youtube 的最佳貼文
- 關於漏 液 偵 測 裝置 在 大象中醫 Youtube 的精選貼文
- 關於漏 液 偵 測 裝置 在 漏液偵測裝置、智能止血帶、翔安生醫實習在PTT/mobile01 ... 的評價
- 關於漏 液 偵 測 裝置 在 漏液偵測裝置、智能止血帶、翔安生醫實習在PTT/mobile01 ... 的評價
- 關於漏 液 偵 測 裝置 在 漏液感測器(LEAK SENSOR)實測比較 - YouTube 的評價
漏 液 偵 測 裝置 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳解答
AI強勢來襲 物聯終端運算需求急遽增溫
2021-03-10 11:55 聯合新聞網 / CTimes零組件
【作者: 王岫晨】
物聯網正帶動人工智慧走向終端裝置,在後疫情時代,企業對物聯網 AI 的投資與布局動作頻頻。Arm 主任應用工程師張維良指出,我們可以很明顯看到四大趨勢如下:
新冠疫情加速 AI 部署
根據 Arm 於 2020 年 8 月與<<麻省理工學院科技評論洞察(MIT Technology Review)>>合作、針對來自 12 個不同產業的 301 位 C Level 的科技專業人士進行的訪談報告顯示,超過 62% 的受訪者表示,他們正在投資並使用 AI 技術。來自大型企業組織(年營收超過 5 億美元)受訪者的部署率較高,接近 80%。較小型的企業組織(營收低於 500 萬美元)的部署率則為 58%。1/3 的受訪者表示,2020 年新冠疫情的爆發加速了他們在 AI 策略上的部署。
企業組織正在提高對 AI 的投資
超過一半(57%)的受訪者看到他們的 AI 預算在過去三年內提升,且接近四分之一的人表示,他們在 2016 年到 2019 年間,年度 AI 支出最少增加一倍。其中,大型企業在 AI 支出的增加更多,73% 來自年營收超過 5 億美元的企業組織受訪者的預算都有增加,有近三分之一的受訪者預算甚至提升超過 100%。這些投資加碼反映 AI 對企業營運持續成長且普遍的影響。
超過半數企業將 AI 部署在終端裝置或邊緣運算
儘管對於已經使用 AI 的企業組織,雲端運算是他們最喜歡的基礎架構,不過在越來越需要極低延遲的數據存取,以及終端/邊緣處理能力的應用上,為了兼顧成本效益及運算效率,越來越多應用將往數據產生的來源靠近,邊緣運算或是將資源擺在更靠進存取它們的裝置的地方,相關的部署將急起直追。
對應軟硬體攻擊與保護個資/隱私的需求
AI 對幾乎所有商業與社會活動層面的衝擊持續擴大,讓企業領袖必須正視 AI 能否在負責任的規範下使用。消費者一方面對於交易與運作流程中藉助 AI 的接受度越來越高,但也期待企業能在公平的、高道德標準,並能顧及永續發展的條件下使用這項技術,特別在個資的搜集。因此在邊緣運算上,也衍生出對應軟硬體攻擊以及保護隱私等運算能力的強烈需求。
物聯網 AI 應用將聚焦於「3V」
根據 Arm 與 Strategy Analytics 合作的報告顯示,多數的物聯網應用聚焦在一些特定的領域:基本控制(開/關)、測量(狀態、溫度、流量、噪音與震動、濕度等)、資產的狀況(所在地點以及狀況如何?),以及安全性功能、自動化、預測性維護以及遠端遙控,可參考圖一。
而終端 AI 可以在三個核心領域提供價值,而它觸及的許多物聯網領域,遍及 B2B 與 B2C(企業對消費者)的應用:震動(Vibration),語音(Voice)與視覺(Vision)。
震動
包含來自多種感測器數據的處理,從加速計感測器到溫度感測器,或來自馬達的電氣訊號。它可將智能帶進 MCU 中的終端 AI 的進展,產生不同應用領域,包括溫、濕度、壓力檢測、物理檢測(如滑倒偵測)、物質偵測(如漏水、漏氣)、磁通量偵測與電場偵測等等。運用震動分析的預測性維護(PdM),在旋轉型機器密集的製造工廠裡相當常見,可以揭露鬆脫、不平衡、錯位與軸承磨損等狀況。此外,磁感測器利用磁性浮筒與一系列可以感應並與液體表面一起移動的感測器,測量液面的高低。
語音
語音啟動在智慧家庭應用中很常見,例如智慧音箱,而它也逐漸成為啟動智慧家庭裝置與智慧家電的語音中樞,如電視、遊戲主機與其它新的電器。在工業環境中,供車床、銑床與磨床等電腦數值控制(CNC)機器使用的電腦語音引擎正在興起。語音整合在車輛中也相當關鍵,因為語音有潛力成為最安全的輸入模式。OEM 代工廠商持續對車載娛樂系統中的語音辨識系統,進行大量投資。其他車用的應用包括語音輸入文字簡訊、輸入目的地、播放特定歌曲或歌曲子集,以及選擇廣播電台頻道,甚至拋錨服務與禮賓服務等。
視覺
終端 AI 提供視覺領域全新的機會,特別是與物件檢測及辨識相關。包括觀察生產線的製造瑕疵,以及找出自動販賣機需要補貨的庫存。其它實例包括農業應用,例如依據大小與品質為農產品分級。曳引機裝上機器視覺攝影機後可即時檢測出雜草、分類其種類、分析其對農穫的威脅、進而客製化除草解決方案。在工業上,包括利用熱顯影來監控互動機器零件的溫度,讓任何異常情況很快變得顯而易見。具備終端 AI 能力的裝置,可以長期檢測微細的變化,觸發排程系統,自動採取適當的行動來預防零件故障。
推動物聯網運算需求
隨著物聯網與 AI 的進展以及 5G 的推出,更多的終端智能意謂小型且成本敏感的裝置,會愈來愈有聰明、功能也愈來愈強,同時因為對雲端與網際網路的依賴較小,也將具備更高的隱私性與可靠度。因此,Arm對於MCU核心,也 透過新的設計為微處理器帶來智能,降低半導體與開發成本,同時為想要有效提升終端數位訊號處理(DSP)與機器學習能力(ML)的產品製造商,加快他們產品上市的速度。
TinyML
微型機器學習(TinyML)的崛起,已經催化嵌入式系統與機器學習結合。它捨棄在雲端上運行複雜的機器學習模型,過程包含在終端裝置內與微控制器上運行經過優化的圖型識別模型,耗電量只有數毫瓦特。受惠於 TinyML,微控制器搭配 AI 已經開始增添各種傳統上威力更強大的元件才能執行的功能。這些功能包括語音辨識(例如,自然語言處理)、影像處理(例如物件辨識與識別),以及動作(例如震動、溫度波動等)。啟用這些功能後,準確度與安全性更高,但電池的續航力卻不會打折扣,同時也考量到各種更微妙的應用。
簡化程式碼的轉移性
把AI函式庫整合進 MCU,將本地的 AI 訓練與分析能力插入程式碼中是可能的。這讓開發人員依據從感測器、麥克風與其它終端嵌入式裝置取得的訊號,導出數據的型樣,然後從中建立模型。Arm Cortex-M55 處理器與 Ethos U55 微神經處理器(microNPU),利用像 CMSIS-DSP 與 CMSIS-NN 等常見API來簡化程式碼的轉移性,讓 MCU 與共同處理器緊密耦合以加速 AI 功能。透過推論工具把 AI 功能放在低成本的 MCU 上實作,並符合嵌入式設計需求,如此一來,有 AI 功能的 MCU 就有機會在各種物聯網應用中,讓裝置的設計改觀。
附圖:圖一 : 多數的物聯網應用聚焦在一些特定的領域。
圖二 : 不同應用對於機器學習的採用比起以往更盛。圖為Arm運算方案的對應圖。
資料來源:https://udn.com/news/story/6903/5307140?fbclid=IwAR2eJEJFLD1DFifJHQNbTkWEAjQSKBk3UFlM3whrk9T69h9tNXIw3geMQ8U
漏 液 偵 測 裝置 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳解答
迎接終端AI新時代:讓運算更靠近資料所在
作者 : Andrew Brown,Strategy Analytics
2021-03-03
資料/數據(data)成長的速度越來越快。據估計,人類目前每秒產出1.7Mb的資料。智慧與個人裝置如智慧型手機、平板電腦與穿戴式裝置不但快速成長,現在我們也真正目睹物聯網(IoT)的成長,未來連網的裝置數量將遠遠超越地球的人口。
這包括種類繁多的不同裝置,像是智慧感測器與致動器,它們可以監控從震動、語音到視覺等所有的東西,以及幾乎大家可以想像到的所有東西。這些裝置無所不在,從工廠所在位置到監控攝影機、智慧手錶、智慧家庭以及自主性越來越高的車輛。隨著我們企圖測量生活週遭數位世界中更多的事物,它們的數量將持續爆炸性成長。
資料爆量成長,讓許多企業把資料從內部部署運作移到雲端。儘管集中到雲端運算的性質,在成本與資源效率、彈性與便利性有它的優點,但也有一些缺點。由於運算與儲存在遠端進行,來自終端、也就是那些在網路最邊緣裝置的資料,需要從起始點經過網際網路或其他網路,來到集中式的資料中心(例如雲端),然後在這裡處理與儲存,最後再傳回給用戶。
對於一些傳統的應用,這種方式雖然還可以接受,但越來越多的使用場景就是無法承受終端與雲端之間,資訊被接力傳遞產生的延遲。我們必須即時做出決策,網路延遲要越小越好。基於這些原因,開始有人轉向終端運算;越來越多人轉而使用智慧終端,而去中心化的程度也越來越高。此外,在這些即時應用中產生的龐大資料量,意味著處理與智慧必須在本地以分散的方式進行。
與資料成長連袂而來的,是人工智慧與機器學習(ML)也朝終端移動,並且越來越朝終端本身移動。大量來自真實世界的資訊,需要用ML的方式來進行詮釋與採取行動。透過AI與ML,是以最小的延遲分析影像、動作、影片或數量龐大的資料,唯一可行且合乎成本效益的方式。運用AI與ML的演算法與應用將在邊緣運作,在未來還將會直接在終端裝置上進行。
資料正在帶動從集中化到分散化的轉變
隨著資訊科技市場逐漸發展與成熟,網路的設計以及在其運作的所有裝置,也都跟著進化。全盛時期從服務數千個小型客戶端的主機,一直到客戶端伺服器模型中使用的越來越本地化的個人電腦運算效能,基礎架構持續重組與最佳化,以便更貼近網路上的裝置以及符合運作應用的需求。這些需求包含檔案存取與資料儲存,以及資料處理的需求。
智慧型手機與其他行動裝置的爆炸性成長,加上物聯網的快速成長,促使我們需要為如何讓資產進行最佳的部署與安排進行評估。而影響這個評估的因素,包括網路的可用性、安全性、裝置的運算力,以及把資料從終端傳送到儲存設備的相關費用,近來也已轉向使用分散式的運算模型。
從邊緣到終端:AI與ML改變終端典範
在成本、資源效率、彈性與便利性等方面,雲端有它的優點,裝置數量的急遽增加(如圖2),將導致資料產出量大幅增加。這些資料大部份都相當複雜且非結構化的,這也是為何企業只會分析1%~12% 的資料的原因之一。把大量非結構化的資料送到雲端的費用相當高、容易形成瓶頸,而且從能源、頻寬與運算力角度來看,相當沒有效率。
在終端執行進階處理與分析的能力,可協助為關鍵應用降低延遲、減少對雲端的依賴,並且更好地管理物聯網產出的巨量資料。
終端AI:感測、推論與行動
在終端部署更多智慧的主要原因之一,是為了創造更大的敏捷性。終端裝置處於網路的最邊緣與資料產生的地方,可以更快與更準確地做出回應,同時免除不必要的資料傳輸、延遲與資料移動中的安全風險,可以節省費用。
處理能力與神經網路的重大進展,正協助帶動終端裝置的新能力,另一股驅動力則是對即時資訊、效率(傳送較少的資訊到雲端)、自動化與在多數情況下,對近乎即時回應的需求。這是一個三道步驟的程序:傳送資料、資料推論(例如依據機器學習辨識影像、聲音或動作),以及採取行動(如物件是披薩,冰箱的壓縮機發出正常範圍外的聲音,因此發出警告)。
感測
處理器、微控制器與感測器產生的資料量相當龐大。例如,自駕車每小時要搜集25GB的資料。智慧家庭裝置、智慧牙刷、健身追蹤器或智慧手錶持續進化,並且與以往相比,會搜集更多的資料。
它們搜集到的資料極具價值,但每次都從各個終端節點把資料推回給雲端,數量又會過多。因此必須在終端進行處理。倘若部份的作業負載能在終端本身進行,就可以大幅提升效率。
推論
終端搜集到的資料是非結構性的。當機器學習從資料擷取到關聯性時,就是在進行推論。這表示使用AI與ML工具來幫忙訓練裝置辨識物件。拜神經網路的進展之賜,機器學習工具越來越能訓練物件以高度的精準度辨識影像、聲音與動作,這對體積越來越小的裝置,極為關鍵。
例如,圖4顯示使用像ONNX、PyTorch、Caffe2、Arm NN或 Tensorflow Lite 等神經網路工具,訓練高效能的意法半導體(ST)微控制器(MCU),以轉換成最佳化的程式碼,讓MCU進行物件辨識(這個的情況辨識對象是影像、聲音或動作)。更高效能的MCU越來越常利用這些ML工具來辨識動作、音訊或影像,而且準確度相當高,而我們接下來馬上就要對此進行檢視。這些動作越來越頻繁地從邊緣,轉移到在終端運作的MCU本身。
行動
資料一旦完成感測與推論後,結果就是行動。這有可能是回饋簡單的回應(裝置是開啟或關閉),或針對應用情況進行最佳化(戴耳機的人正在移動中,因此會針對穩定度而非音質進行最佳化),或是回饋迴路(根據裝置訓練取得的機器學習,輸送帶若發出聲音,顯示它可能歪掉了)。物聯網裝置將會變得更複雜且更具智慧,因為這些能力提升後,運算力也會因此增加。在我們使用新的機器學習工具後,一些之前在雲端或終端完成的關鍵功能,將可以移到終端本身的內部進行。
終端 AI:千里之行始於足下
從智慧型手機到車輛,今日所有電子裝置的核心都是許多的處理器、微控制器與感測器。它們執行各種任務,從最簡單到最複雜,並需要各式各樣的能力。例如,應用處理器是高階處理器,它們是為行動運算、智慧型手機與伺服器設計;即時處理器是為例如硬碟控制、汽車動力傳動系統,與無線通訊的基頻控制使用的非常高效能的處理器,至於微控制器處理器的矽晶圓面積則小了許多,能源效率也高出很多,同時擁有特定的功能。
這意味著利用ML工具訓練如MCU等較不複雜元件來執行的動作,之前必須透過威力更強大的元件才能完成,但現在邊緣與雲端則是理想的場所。這將讓較小型的裝置以更低的延遲執行更多種類的功能,例如智慧手錶、健康追蹤器或健康照護監控等穿戴式裝置。
隨著更多功能在較小型的終端進行,這將可以省下資源,包括資料傳輸費用與能源費用,同時也會產生極大的環境衝擊,特別是考量到全球目前已有超過200億台連網裝置,以及超過2,500億顆MCU(根據Strategy Analytics統計數據)。
TinyML、MCU與人工智慧
根據Google的TesnsorFlow 技術主管、同時也是深度學習與TinyML領域的指標人物 Pete Warden 表示:「令人相當興奮的是,我還不知道我們將如何使用這些全新的裝置,特別是它們後面代表的科技是如此的吸引人,我無法想像那些即將出現的全新應用。」
微型機器學習(TinyML)的崛起,已經催化嵌入式系統與機器學習結合,而兩者傳統上大多是獨立運作的。TinyML 捨棄在雲端上運作複雜的機器學習模型,過程包含在終端裝置內與微控制器上運作經過最佳化的模式識別模型,耗電量只有數毫瓦。
物聯網環境中有數十億個微型裝置,可以為各個產業提供更多的洞察與效率,包括消費、醫療、汽車與工業。TinyML 獲得 Arm、Google、Qualcomm、Arduino等業者的支持,可望改變我們處理物聯網資料的方式。
受惠於TinyML,微控制器搭配AI已經開始增添各種傳統上威力更強大的元件才能執行的功能。這些功能包括語音辨識(例如自然語言處理)、影像處理(例如物件辨識與識別),以及動作(例如震動、溫度波動等)。啟用這些功能後,準確度與安全性更高,但電池的續航力卻不會打折扣,同時也考量到各種更微妙的應用。
儘管之前提到的雲端神經網路框架工具,是取用這個公用程式最常用的方法,但把AI函式庫整合進MCU,然後把本地的AI訓練與分析能力插入程式碼中也是可行的。這讓開發人員依據從感測器、麥克風與其他終端嵌入式裝置取得的訊號導出資料模式,然後從中建立模型,例如預測性維護能力。
如Arm Cortex-M55處理器與Ethos U55微神經處理器(microNPU),利用CMSIS-DSP與CMSIS-NN等常見API來簡化程式碼的轉移性,讓MCU與共同處理器緊密耦合以加速AI功能。透過推論工具在低成本的MCU上實現AI功能並符合嵌入式設計需求極為重要,原因是具有AI功能的MCU有機會在各種物聯網應用中轉變裝置的設計。
AI在較小型、低耗電與記憶體受限的裝置中可以協助的關鍵功能,我們可以把其精華歸納至我們簡稱為「3V」的三大領域:語音(Voice,如自然語言處理)、視覺(Vision,如影像處理)以及震動(Vibration,如處理來自多種感測器的資料,包括從加速計到溫度感測器,或是來自馬達的電氣訊號)。
終端智慧對「3V」至關重要
多數的物聯網應用聚焦在一些特定的領域:基本控制(開/關)、測量(狀態、溫度、流量、噪音與震動、濕度等)、資產的狀況(所在地點以及狀況如何?),以及安全性功能、自動化、預測性維護以及遠端遙控(詳見圖 6)。
Strategy Analytics的研究顯示,許多已經完成部署或將要部署的物聯網B2B應用,仍然只需要相對簡單的指令,如基本的開/關,以及對設備與環境狀態的監控。在消費性物聯網領域中,智慧音箱的語音控制AI已經出現爆炸性成長,成為智慧家庭指令的中樞,包括智慧插座、智慧照明、智慧攝影機、智慧門鈴,以及智慧恆溫器等。消費性裝置如藍牙耳機現在已經具備情境感知功能,可以依據地點與環境,在音質優先與穩定度優先之間自動切換。
如同我們檢視的結果,終端AI可以在「3V」核心領域提供價值,而它觸及的許多物聯網領域,遍及B2B與B2C的應用:
震動:包含來自多種感測器資料的處理,從加速計感測器到溫度感測器,或來自馬達的電氣訊號。
視覺:影像與影片辨識;分析與識別靜止影像或影片內物件的能力。
語音:包括自然語言處理(NLP)、瞭解人類口中說出與寫出的語言的能力,以及使用人類語言與人類交談的能力-自然語言產生(NLG)。
垂直市場中有多種可以實作AI技術的使用場景:
震動
可以用來把智慧帶進MCU中的終端AI的進展,有各式各樣的不同應用領域,對於成本與物聯網裝置與應用的效用,都會帶來衝擊。這包括我們在圖6中點出的數個關鍵物聯網應用領域,包括:
溫度監控;
壓力監控;
溼度監控;
物理動作,包括滑倒與跌倒偵測;
物質檢測(漏水、瓦斯漏氣等) ;
磁通量(如鄰近感測器與流量監控) ;
感測器融合(見圖7);
電場變化。
一如我們將在使用場景單元中檢視的,這些能力有許多可以應用在各種被普遍部署的物聯網應用中。
語音
語音是進化的產物,也是人類溝通非常有效率的方式。因此我們常常想要用語音來對機器下指令,也不令人意外;聲音檢測是持續成長的類別。語音啟動在智慧家庭應用中很常見,例如智慧音箱,而它也逐漸成為啟動智慧家庭裝置與智慧家電的語音中樞,如電視、遊戲主機與其他新的電器。
在工業環境中,供車床、銑床與磨床等電腦數值控制(CNC)機器使用的電腦語音引擎正方興未艾。iTSpeex的ATHENA4是第一批專為這些產品設計的語音啟動作業系統。這些產品往往因為安全原因,有離線語音處理的需求,因此終端 AI 語音發展在這裡也創造出有趣的機會。用戶可以指示機器執行特定的運作,並從機器手冊與工廠文件,立即取用資訊。
語音整合在車輛中也相當關鍵。OEM 代工廠商持續對車載娛樂系統中的語音辨識系統,進行大量投資。語音有潛力成為最安全的輸入模式,因為它可以讓駕駛的眼睛持續盯著道路,而雙手仍持續握著方向盤。
對於使用觸控螢幕或硬體控制器通常需要多道步驟的複雜任務,語音辨識系統特別能勝任。這些任務包括輸入文字簡訊、輸入目的地、播放特定歌曲或歌曲子集,以及選擇廣播電台頻道。其他的服務包含如拋錨服務(或bCall)與禮賓服務。
視覺
正如我們之前已經檢視過,終端 AI 提供視覺領域全新的機會,特別是與物件檢測及辨識相關。這可能包括觀察生產線的製造瑕疵,以及找出自動販賣機需要補貨的庫存。其他實例包括農業應用,例如依據大小與品質為農產品分級。
曳引機裝上機器視覺攝影機後,我們幾乎可以即時檢測出雜草。雜草冒出後,AI可以分類雜草並估算它對農產收穫的潛在威脅。這讓農民可以鎖定特定的雜草,並打造客製的除草解決方案。機器視覺然後可以檢測除草劑的效用,並找出農地中仍具抗藥性的殘餘雜草。
使用場景
預測性維護工具已經從擷取與比較震動的量測資料,進化到提出即時的資產監控。藉由連接物聯網感測器裝置與維護軟體,我們也可能做到遠端監控。
震動分析
這種類型的預測性維護在旋轉型機器密集的製造工廠裡,相當常見。震動分析可以揭露鬆脫、不平衡、錯位與軸承磨損等狀況。例如,把震動計量器接上靠近選煤廠離心泵浦內部承軸處,就可以讓工程師建立起正常震動範圍的基線。超出這個範圍的震動,可能顯示滾珠軸承出現鬆動,需要更換。
磁感測器融合
磁感測器利用磁性浮筒與一系列可以感應並與液體表面一起移動的感測器,測量液面的高低。所有的這些應用都使用一個固定面上的磁感測器,它與附近平面的磁鐵一起作動,與這個磁鐵相對應的感測器也會移動。
聲學分析(聲音)
與震動分析相似,聲測方位分析也是供潤滑技師使用,主要是專注在主動採取潤滑措施。這意味我們可以避免移動設備時產生的過度磨損,否則會為了修理造成代價高昂的停機。實際的例子可能包括測量輸送皮帶的承軸狀況。出現過度磨損時,承軸會因為潤滑不足或錯位出現故障,可能造成整個生產流程的中斷。
聲學分析(超音波)
聲音聲學分析雖然可以用來進行主動與預測性維護,超音波聲學分析卻只能用於預測性維護。它可以在超音波範圍內找出與機器摩擦及壓力相關的聲音,並使用在會發出較細微聲音的電氣設備與機器設備。我們可以說這一類型的分析與震動或油量分析相比,更可以預測即將出現的故障。目前它部署起來比其他種類的預防性維護花費較高,但終端 AI 的進展可以促成這種細微層級的聲學檢測,大幅降低部署的費用。
熱顯影
熱顯影利用紅外線影像來監控互動機器零件的溫度,讓任何異常情況很快變得顯而易見。具備終端 AI 能力的裝置,可以長期檢測微細的變化。與其他對事故敏感的監視器一樣,它們會觸發排程系統,自動採取適當的行動來預防零件故障。
消費者與智慧家庭
將語音運用在消費者與智慧家庭,是最常看到的場景之一。這包括智慧型手機與平板電腦上、未包含電話整合功能的裝置,例如螢幕尺寸有限的穿戴式裝置。這類型的裝置包含智慧手錶與健康穿戴式裝置,可以為各種功能提供免動手的語音啟動。像 Amazon 的 Echo 或 Google 的 Home 等智慧音箱市場的成長,說明消費者對於可接收與提供語音互動等現有裝置的強勁需求,與日俱增。
消費者基於各種理由使用智慧音箱,最常見的使用場景為:
聽音樂;
控制如照明等智慧家庭裝置;
取得新聞與天氣預報的更新;
建立購物與待辦事項清單。
除了像智慧音箱與智慧電視等消費裝置,智慧家庭裝置語音的使用,也顯現相當的潛力。諸如連網門鈴(如 ring.com)等裝置與連網的煙霧偵測器(例如 Nest Protect 煙霧與一氧化碳警報)目前都已上市可供消費者選購,它們結合了語音與視覺的感測器融合功能以及運動檢測。有了連網的煙霧偵測器,裝置在偵測到煙霧或一氧化碳時,可以發出語音警告。
終端 AI 為強化這些能力提供了全新機會,而且常常結合震動(動作)、視覺與語音控制。例如,增加姿態辨識來控制例如電視等家電,或是把語音控制嵌入白色家電,即是以最低成本強化功能性最直接的方式。
健康照護
用來發現醫護資訊的 AI 驅動終端裝置的應用,將為病況的治療與診斷,提供更多的價值。這種資訊可能是資料,也可能是影像、影片以及說出的話,我們可以透過 AI 進行型態與診斷分析。這些資料將引發全新、更有效的治療方法,為整個產業節省成本。受惠於終端 AI 的進展,像 Google Duplex 等語音系統的複雜性將會降低。例如門診預約等勞力密集的工作,也可以轉換成 AI 活動。利用自然語言語音來延伸 AI 的使用,也可以把 AI 用在第一線的病人診斷,然後再由醫師接手提供諮詢。
其他健康照護實例包括像 Wewalk5 等物件,這是一個供半盲與全盲人員使用的智慧拐杖。它使用感測器來檢測胸口水平以上的物件,並搭配 Google Maps 與 Amazon Alexa 等 app,方便使用者提出問題。
結論
由於連網的終端裝置數量越來越多,這個世界也越來越複雜。連接到網際網路的裝置已經超過 300 億個,而微控制器的數量也超過 2,500 億,每年還會增加約 300 億個。越來越多的程序開始進行自動化,不過,把大量資料傳送到雲端涉及的延遲以及邊緣運算的額外費用,意味著許多全新、令人興奮且引人矚目的物聯網使用場景,可能無法開花結果。
解決這些挑戰的答案,並不是為雲端資料中心持續增添運算力。降低出現在邊緣的延遲雖然會有幫助,但不會解決日益分散的世界的所有挑戰。我們需要把智能應用到基礎架構中。
儘管為終端裝置增添先進的運算能力在十年前仍不可行,TinyML 技術近來的提升,已經讓位處相當邊緣的裝置 (也就是終端本身)增添智能的機會大大改觀。在終端增加運算與人工智慧能力,可以讓我們在源頭搜集到更多更具關聯性與相關的資訊。隨著裝置與資料的數量持續攀升,在源頭掌握情境化與具關聯性的資料,具有極大的價值,並將開啟全新的使用場景與營收機會。
終端裝置的機器學習,可以促成全新的終端 AI 世界。新的應用場景正在崛起,甚至跳過傳送大量資料的需求,因而紓解資料傳輸的瓶頸與延遲,並在各種作業環境中創造全新機會。終端 AI 將為我們開啟一個充滿全新機會與應用場景的世界,其中還有很多我們現在想像不到的機會。
附圖:圖1:從集中式到分散式運算的轉變。
(資料來源:《The End of Cloud Computing》,by Peter Levine,Andreessen Horowitz)
圖2:全球上網裝置安裝量。
(資料來源:Strategy Analytics)
圖3:深度學習流程。
圖4:MCU的視覺、震動與語音。
(資料來源:意法半導體)
圖5:AI 工具集執行模型轉換,以便在MCU上執行經最佳化的神經網路推論。
(資料來源:意法半導體)
圖6:物聯網企業對企業應用的使用-目前與未來。
(資料來源:Strategy Analytics)
圖7:促成情境感知的感測器融合。
(資料來源:恩智浦半導體)
資料來源:https://www.eettaiwan.com/20210303nt31-the-dawn-of-endpoint-ai-bringing-compute-closer-to-data/?fbclid=IwAR0JTRpNsJUl-DmSNpfIcymGQpkQaUgXixEaczwDpELxGCaCeJpkTyoqUtI
漏 液 偵 測 裝置 在 コバにゃんチャンネル Youtube 的最讚貼文
漏 液 偵 測 裝置 在 大象中醫 Youtube 的最佳貼文
漏 液 偵 測 裝置 在 大象中醫 Youtube 的精選貼文
漏 液 偵 測 裝置 在 漏液偵測裝置、智能止血帶、翔安生醫實習在PTT/mobile01 ... 的推薦與評價
在漏液偵測裝置這個討論中,有超過5篇Ptt貼文,作者ming0423也提到是否明白商品挑選文或推薦需提出兩樣以上商品供討論:是是否明白不可徵求廠商或商家推薦:是是否明白 ... ... <看更多>
漏 液 偵 測 裝置 在 漏液感測器(LEAK SENSOR)實測比較 - YouTube 的推薦與評價
我們不斷接到許多濕製程設備商工程師對 漏液 感 測 器(LEAK SENSOR)的問題詢問不外乎就是感 測 的能力、當固定於液體承接盤面時會不會因為盤面顏色或光澤 ... ... <看更多>
漏 液 偵 測 裝置 在 漏液偵測裝置、智能止血帶、翔安生醫實習在PTT/mobile01 ... 的推薦與評價
在漏液偵測裝置這個討論中,有超過5篇Ptt貼文,作者ming0423也提到是否明白商品挑選文或推薦需提出兩樣以上商品供討論:是是否明白不可徵求廠商或商家推薦:是是否明白 ... ... <看更多>