#解決現有物流業痛點_結合AI與末端配送的新創物流企業受到高度矚目
#讓AI幫你計算怎麼送最快就對啦
【新創企業聚焦:日本OPTIMIND】
與海外其它先進經濟體相較,日本創業風氣相對落後。為扭轉這項情勢,日本政府於今年6月發布一項成長戰略,計劃於2023 年前,孵育出 20 個估值達 10 億美元的新創獨角獸,並將資源聚焦在自動駕駛、醫療保健以及數位管理三大領域,希望透過創新創業推動日本經濟成長。今天就先帶大家認識日本一家有趣的新創企業:OPTIMIND(オプティマインド)。
OPTIMIND成立於2015年6月,為名古屋大學spin off新創企業。該公司瞄準的正是近年佔據日本媒體大篇幅報導的物流崩壞危機。目前日本物流服務正面臨兩大課題,分別為「司機高齡化/勞動力不足(供給端)」、以及「少量、多樣、高頻的非計畫性電商物流規模暴增(需求端)」,且上述兩項情勢目前仍處於不斷加速深化的狀態,導致日本物流崩壞危機持續延燒。因此,日本近年有許多以創新技術為核心的物流新創企業應運而生,大多是針對目前物流界的痛點,提供技術解決方案。例如專注於最後一哩配送的OPTIMIND、CB Cloud、ZMP/Hakobot,從事庫內作業的GROUND、Logizard、MUJIN、以及入庫作業的MOVO等,均受到產業界及投資界高度注目。
專注於末端配送的OPTIMIND,主要業務為人工智慧(AI)雲端平台服務、以及最適化技術研發及諮詢服務。核心理念為將人工智慧技術與物流服務結合,提供客戶物流軟體技術解決方案(SaaS)。OPTIMIND的營運理念與日本政府目前積極推動的SOCIETY5.0產業政策方向一致,後者希望利用IOT、大數據、AI、機器人為主的科技創新,驅動產業與整體社會轉型發展,解決日本目前面臨的少子老齡化、勞動力不足、能資源與糧食短缺等社會課題,同時達到「危機處理」與「價值創造」兩項主軸。
OPTIMIND於上(7)月正式發布第一項商品:最後一哩配送路徑優化雲端平台「Loogia」。Loogia透過機器學習、數據統計與演算法等技術,計算出「特定車輛、特定目的地、特定配送任務」的客製化最佳配送路徑建議。司機於系統中輸入裝運目的地與交貨條件後,地圖上便會顯示最佳路線。OPTIMIND指出,由於該公司採用SaaS模式,因此收費方式相當彈性,主要是根據使用系統的車輛數,因此不僅是物流配送商,小型零售商、餐飲配送、環保清潔、高齡照護、搬家公司、甚至是學校校車等,均為其潛在客戶。
Loogia的運作分為兩階段,第一階段為結合原始地圖及車輛與道路寬度、行速速限、坡道傾斜度、主要建築物出口等關鍵資訊,透過機器學習與統計取得大量數據,構築「物流特化地圖」。第二階段則是立基於物流特化地圖數據,以演算法為核心,計算出在特定物流配送條件下的最適配送路徑。目前Loogia僅能顯示於平板電腦與PC,但OPTIMIND計劃於未來發布手機版本與APP,同時提供API介接服務,與貨運公司現有車機系統相容。
Loogia在正式推出前,於2017年與日本郵政合作進行實證。結果顯示,透過AI技術協助,能夠有效降低新進人員的整體作業時間,幾乎能夠做到與資深人員相同的速度。即使是應用在資深配送人員上,也因為能夠降低路徑規劃時間,有助於縮短整體作業時間、提高作業效率。OPTIMIND亦獲得日本郵政舉辦的物流創新最優秀賞大獎。
不過,OPTIMIND將Loogia的推出定位為該公司的第0步,目標為在透過大量收集與分析實際交付數據後,將系統訓練成為等同、甚至優於資深配送人員的AI等級。此外,除了路徑優化外,Loogia另一項核心在於其搭建的物流特化地圖平台,這對於目前快速發展的共乘/共享物流、以及自動駕駛技術均相當具有吸引力。這也是該公司於6月獲得自動車企業Tier IV以及寺田倉庫共同投資數億日圓、以及達成策略聯盟的主因。
不僅是國內市場,OPTIMIND對海外市場也相當具有企圖心。該公司指出,希望透過在日本國內實證的不斷累積、反饋、修正與學習,優化其技術水準。並規劃於兩年內向海外擴張,鎖定同樣具備人口擁擠、道路稠密等特徵的東南亞國家為主要市場。
日本可稱為亞洲的「經濟與社會課題先進國」,加上我國與日本在社會、經濟、產業與商業消費方面均具備高度類似性,因此日本企業因應市場及產業需求變化,所進行的科技創新與商機創造,對我國相關領域產業發展均具有高度參考價值。
圖片來源:OPTIMIND、東洋經濟、Tech Crunch
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,...
加速ai系統訓練 在 Taiwan Startup Hub 新創基地 Facebook 的精選貼文
🎉🎉 活動分享 🎉🎉
【AI智慧應用「產業出題 x 人才解題」說明會】
#經濟部工業局的「#AI智慧應用人才培育計畫」
規劃「產業出題 x AI 人才解題」機制,
提供AI人才實戰的機會,
意於實作中培養AI應用技能之人才,
以解決產學落差與AI技術缺口等問題,
進而加速推動企業發展創新應用服務與產業AI化轉型。
⬇️⬇️⬇️參與解題計畫效益:
1️⃣️ 解題團隊三個月即可獲得最高總獎金 #新台幣100萬元。 (僅通過審核即有 #20至100萬獎金)
2️⃣️ 共有50道產業題目及相關大數據,#加速AI系統訓練。
3️⃣️ 若需要AI課程進修,可額外申請 #培訓補貼金。
4️⃣️ 有機會獲得 #企業額外合作、投資等機會。
[ 說明會資訊 ]
✅台北場
時間:107/8/17(五) AM9:30-11:30
地點:中華民國全國商業總會(台北市復興南路一段390號6樓)
報名網址:https://w3.iiiedu.org.tw/BSDetail.php?BSC=383
✅台中場
時間:107/8/15(三) PM2:00-4:00
地點:資策會數位教育研究所台中辦公室(台中市南屯區公益路二段51號21樓)
報名網址:https://w3.iiiedu.org.tw/BSDetail.php?BSC=384
✅高雄場
時間:107/8/16(四) PM2:00-4:00
地點:集思高雄亞灣會議中心(高雄市前鎮區成功二路25號3樓 304會議室)
報名網址:https://w3.iiiedu.org.tw/BSDetail.php?BSC=385
加速ai系統訓練 在 國立陽明交通大學電子工程學系及電子研究所 Facebook 的最佳解答
交大電子郭峻因教授接受採訪有關自動駕駛技術研發
.
台灣發展自駕車 關鍵在AI樣本辨識資料庫與練兵場域
http://www.digitimes.com.tw/iot/article.asp…
.
在無人駕駛時代,駕駛雙手可以徹底解放,不需要花費任何心思關注週遭環境路況,自動駕駛儼然已成為下世代車輛發展趨勢,但台灣相關零組件廠商有機會站上這波「自駕車」浪頭嗎?學者指出關鍵在於建構業者共享的物件辨識資料庫,以及自駕車實地測試場域。
國立交通大學電子工程學系教授郭峻因指出,自駕車主要仰賴視覺分析技術,目前主要分析方式有三種途徑,分別為建構規則(Rule base)、機器學習(Machine Learning)、深度學習(Deep Learning),透過分析結果辨識判斷週遭駕駛環境,其中深度學習(Deep learning)為最可行的途徑,但該方法需要即大量物件資料庫,才能訓練出精準分析系統。
深度學習是機器學習領域中近年來備受重視方法,郭峻因指出,深度學習模擬大腦神經網路系統,實際操作方式,直接選定一個類神經網路模型,接續建立辨識物件樣本、辨識物件系統,只要有分類完成樣本,持續建檔投入就可以訓練正確分類系統。
深度學習如同人類學習分類的過程一樣,在自駕車領域需要準備大量分類完成的樣本標的,持續將不同分類樣本投入,使深度學習系統即可「參透」這些照片中的規律性。
郭峻因指出,系統能正確分類的關鍵在於其分析過層具有多層次的結構,例如第一層先判斷照片內是否有汽車特徵,第二層判斷是否有輪胎紋路,以自身參與智慧視覺研究案研發的先進駕駛輔助系統(ADAS)為例,透過21層分析,深度學習系統即可正確辨識道路上所有物件,分辨出不同車型,並計算出相對距離。
郭峻因強調,深度學習系統搭配光達(LiDAR)汽車感測器,即可達到精準的先進駕駛輔助系統,甚至進一步完成自動駕駛。
對於現今市場深度學習晶片解決方案包含Mobileye、恩智浦(NXP)、NVIDIA等,郭峻因分析指出,NVIDIA偏向深度學習方式處理,透過圖形處理器(Graphics Processing Unit;GPU)平行演算法,同時處理多重物件,模擬神經網絡系統,但使用GPU成本效益較差,反之採用系統晶片(System on Chip;SoC)較為合適,只要訓練好的物件辨識系統布局在晶片內,即可達到智慧駕駛功能,相信未來會有更多廠商推出SoC解決方案。
至於未來自動駕駛技術關鍵,郭峻因說,目前影像、LiDAR、毫米波雷達、超音波等感測器已經成熟,關鍵在駕駛輔助決策平台上,哪間公司可研發出效能高運算平台,同時耗能低省,符合車規,才有機會勝出。
至於自動駕駛人工智慧(AI)品質,郭峻因強調,要讓自駕車可以精準且安全行駛,最重要的分類樣本數量,透過愈大量的樣本,才愈能訓練出最精準系統。郭峻因描述,以現在實驗室情形,目前可供辨識的物件資料已達150萬筆,但需要人工標示物件,標記(label)分類影像中物件,最後才能將分類後影像訓練系統,他笑稱這過程是一個「苦力活」。
台灣若要發展自駕車產業,郭峻因直指2個關鍵:樣本資料庫建立困難,且人工標記速度緩慢,可透過在地業者建立資料庫,交互交流應用,將可加速系統訓練速度;另方面,國外已經有自駕車在路上趴趴走,但台灣礙於法規因素,仍未有一個可以練兵場域,透過實地測試才是驗證自駕技術最好地方。