AI時代的網站與App開發支援

 

·       改變人類現在與未來的AI時代

人工智慧與機器學習經過多年的發展, 不斷地展現用令世人驚艷的成果, 包括圍棋高手AlphaGO, 還有能生成企畫, 精準回答各種問題, 像一個博覽群書的專家的ChatGPT, 除了能夠下棋和扮演萬事通的專家以外, 視覺辨識, 語音辨識, 智慧客服, 車牌辨識, 推薦系統, 資產鑑價, 大數據分析等等也都是人工智慧與機器學習廣泛的應用.

在本系列的文章中, 我們將為大家介紹如何使用C#程式語言, 搭配ASP.NET Core平台和最新的MAUI跨平台架構開發整合人工智慧與機器學習功能的跨平台網站與手機App, 開發出具人工智慧功能, 符合AI時代應用的網站與手機App.

圖1: AI時代的網站與手機App的AI開發支援: 


·       認識.NET Core的人工智慧與機器學習的開發支援

本系列文章將使用Microsoft Visual Studio或Microsoft Visual Studio Code搭配ML.NET, Azure AI Services(含Azure認知服務與Azure Open AI), Azure Machine Learning, Azure Apache Spark, 等AI服務和套件, 為傳統的網站和手機App注入AI元素. 

接下來我們就來了解一下這些功能強大的AI服務與套件:

1.     ML.NET

ML.NET是一套免費, 開放原始碼(open-source), 跨平台的機器學習框架, 支援Microsoft .NET平台的程式開發者使用C#或F#程式語言訓練自訂的機器學習模型, 創造AI時代的新應用, 包括:

·       分類器: 例如情緒分析, 垃圾郵件判斷, 信用卡偽卡盜刷偵測, 心臟病預測等等

·       推薦系統: 例如商品推薦, 電影推薦等等

·       迴歸分析: 例如價格鑑定, 銷售預估, 需求預測等等

·       異常偵測: 例如銷售異常偵測, 電力異常偵測, NG商品偵測等等

·       分群: 例如客戶分群, 學員分群等等

·       排名: 例如搜尋結果排名, 人氣排名, 推薦排名等等

·       視覺辨識: 例如: 物件偵測, 人臉辨識, 車牌辨識等等

 

2.     Azure AI Services

Azure AI services是Microsoft的雲端平台Azure支援的AI服務, 支援程式開發者使用Azure AI services提供的內建功能與模型快速建置尖端的智慧功能, 例如自然語言處理, 搜尋, 監控, 語言翻譯, 語音辨識, 視覺辨識, 以及內容仲裁等等.

下表為Azure AI Services支援的功能列表:

AI服務

功能說明

Azure Cognitive Search

支援網站或手機App需要的搜尋功能

Azure OpenAI

支援與自然語言相關的各種功能

Bot Service

支援建立適用於多種場合的智慧客服

Content Safety

支援審核文字, 圖片, 和影片是否有不當的內容

Custom Vision

支援利用使用者提供的訓練圖片訓練視覺辨識模型

Document Intelligence

支援讀取文件中表格的資料以便進行自動化處理

Face

支援辨識圖片中的人臉及臉部相關資訊

Immersive Reader

支援協助語言學習者閱讀與了解文件的內容

Language

支援語言理解, 文件自動摘要, 文件分類, 問與答, 語言翻譯

Speech

支援語音轉文字, 文字轉語音, 翻譯, 以及說話者辨識

Translator

支援超過100種語言的翻譯功能

Video Indexer

分析影片中的人臉, 說過的話, 並加以註記, 支援搜尋相關的影片, 審核影片內容, 建立摘要影片(例如預告片), 翻譯影片的字幕, 置入合適的廣告, 與相關影片推薦

Vision

支援分析圖片或影片的內容

 

3.     Azure Machine Learning

Azure Machine Learning支援使用筆記本編輯程式碼的操作介面, 與視覺拖曳編輯的方式訓練機器學習模型, 並提供方便的部署, 測試, 與最佳化功能, 以及機器學習模型上線後的監控, 錯誤分析, 稽核與管理等功能. 除此之外, Azure Machine Learning更支援提供自動化部署, 測試, 與發行的MLOps, 協助實踐快速上線訓練妥的機器學習模型的作業.

4.     Azure Apache Spark

Azure Apache Spark是一個免費, 開放原始碼, 跨平台的大數據分析框架, 支援對各式各樣的大數據資料進行分析. 透過Azure Apache Spark平台, 我們可以分析批次資料或即時串流資料, 進行機器學習, 也支援接近口語化的查詢.

Azure Apache Spark進行大數據分析作業時能夠將工作分散到多部電腦, 並將資料放入記憶體, 因此面對極大量的資料分析工作時, 仍然能夠提供良好的執行效率.

下一回, 我們將要以一系列的文章介紹如何利用上述的AI服務與套件, 搭配Microsoft ASP.NET Core平台和MAUI平台設計AI時代的網站與手機App, 將AI功能延伸到終端使用者的指尖.

留言

張貼留言

這個網誌中的熱門文章

AI時代的網站與手機App建置與開發Part27 - ML.NET與物件偵測

圖片
  ·        摘要 在自動駕駛的無人車和無人機風風火火出現在日常生活的應用的現今 , 物件偵測技術的應用也日益普及 , 例如自駕車必須要能夠偵測並判斷車輛前方的物體 , 當然最近眾人關注的人形機器人 , 也必須重度依賴物件偵測技術 . 圖 : 物件偵測示意圖 在本篇文章中 , 我們將使用 Visual Studio 2022, 搭配 Microsoft ML.NET 執行物件偵測 . ·        準備訓練資料 首先請參考 [ 使用 VoTT 為物件偵測標記影像 ] 這篇文件的說明 , 為欲偵測的圖片內容進行標示的動作 . 您可以標示多張內含欲辨識的內容 ( 例如 : 汽車 , 機車 , 狗 , 貓 , 紅綠燈 , 交通號誌等等 ) 的圖片 . 例如我們想辨識以下圖片中的停止號誌 : 圖: 內含停止號誌的圖片 就可以使用 Microsoft Visual Object Tagging Tool 標示出圖中 Stop 號誌的位置 , 得到內容位置資訊的 JSON 文件 , 如下所示 : {     "asset": {         "format": "jpg",         "id": "3a74b9294f2f787bf2abe678f6a43231",         "name": "untitled-photo-3d6zCZ4lpBE-unsplash.jpg",         "path": "file:E:/temp/Stop-Signs/untitled-photo-3d6zCZ4lpBE-unsplash.jpg",         "size": {  ...
閱讀完整內容

AI時代的網站與手機App建置與開發Part24 - ML.NET與圖片異常偵測

圖片
  ·        摘要 將異常偵測應用在圖片資料能夠替代人工進行產品的瑕疵檢視 , 例如檢視食物是否腐敗 , 外型破裂 , 研判 X 光片的內容是否異常 , 或是判斷商品的包裝是否破損等等 , 對於 24 小時不間斷的生產線能夠提供重要的品管支援 . 圖 : 圖片異常偵測示意圖 在本篇文章中 , 我們將使用 Microsoft ML.NET 支援的 ResNet50 預訓練模型 (Pre-Trained Model) 執行圖片的異常偵測 , 期能利用 AI 模型支援 24 小時不間斷的自動化作業 . ·        準備訓練資料 首先請啟動瀏覽器 , 瀏覽至 Cloud and Non-Cloud Images(Anomaly Detection, 下載訓練圖片資料集 ( 下載網址 : https://www.kaggle.com/datasets/ashoksrinivas/cloud-anomaly-detection-images?resource=download ). 圖 1 所示即為下載得到的圖片資料集的部分內容 : 圖 1: 訓練圖片資料集的部分內容 請將訓練圖片加入到 Visual Studio 專案中名稱為 images 資料夾中 , 並到 [ 屬性 ] 視窗將所有的訓練圖片的 [ 複製到輸出目錄 ] 屬性的內容值設定為 : 有更新時才複製 . ·        準備預訓練模型 請啟動瀏覽器 , 瀏覽至 ONNX Model Zoo, 下載支援圖片辨識的預訓練模型 ( 下載網址 : GitHub - onnx/models: A collection of pre-trained, state-of-the-art models in the ONNX format ), 請下載名稱為 resnet50-v2-7.onnx 的預訓練模型 . 請將下載妥的預訓練模型加入到 Visual Studio 專案中名稱為 PreTrainedModel 資料夾中 , 並到 [ 屬性 ] 視窗將預訓練模型檔案的 [ 複製到輸出目錄...
閱讀完整內容

AI時代的網站與手機App建置與開發Part28 - 使用YOLO模型進行物件偵測

圖片
  l   摘要 應用程式要提供物件偵測功能 , 除了能夠使用 Microsoft ML.NET 本身的物件偵測模型 ( 請參考 : AI 時代的網站與手機 App 建置與開發 Part27 - ML.NET 與物件偵測 的說明 ) 以外 , 也可以利用 SSD(Single Shot MultiBox Detector) 或 YOLO(You Only Look Once) 等演算法提供即時的物件偵測功能 . 圖 : YOLO 梗圖 ·        認識 SSD 與 YOLO 演算法 SSD 和 YOLO 演算法都是用來執行物件偵測常用的做法 , 其主要特性比較如表 1 的說明 : Feature SSD YOLO 辨識效率 快 ( 較 R-NN 快 , 較 YOLO 慢 ) 非常快 , 適合即時 (real-time) 作業 準確度 辨識小型物件準確度佳 辨識大型物件準確度佳 複雜度 中等 相對簡單 辨識圖片大小 支援 版本越高支援越好 表 1: SSD 和 YOLO 演算法主要特性比較 SSD 與 YOLO 物件偵測演算法的適用場合 ·         YOLO 物件偵測演算法的適用場合 : ü   即時運算 (Real-time) 程式 , 例如監視器 , 自動駕駛交通工具 , 機器人 ü   辨識速度很關鍵的場合 ·         SSD 物件偵測演算法的適用場合 : ü   辨識小型物件準確度高的場合 , 例如文件分析或...
閱讀完整內容