西雅圖-塔科馬國際機場的港務局空運團隊，將人工智慧與電腦視覺技術運用在物體偵測與登錄工作當中，以提昇營運效率。
文／Thor Olavsrud 譯／曾祥信
雖然美國的西雅圖港(Port of Seattle)已有上百年歷史，卻從未停止學習腳步。負責監督西雅圖海港與西雅圖-塔科馬國際機場的港務局，已開始在機場空運區的物體偵測及登錄工作當中，運用人工智慧(AI)與電腦視覺(computer vision, CV)技術，提昇營運效率。
西雅圖港的資深系統架構師 Skip Tavakkolian 表示，港務局相信機器學習(ML)將徹底改變港口的運作方式，「PlaneInsight專案」只是個開端。Tavakkolian表示，PlaneInsight專案的主要目標，是將先進機器學習與電腦視覺技術的第一手經驗，帶給其資訊及通訊科技團隊(ICT)，他強調這項專案不只是學術交流。港口的空運團隊預期PlaneInsight能協助他們提昇效率、減少延遲，並提高空運廠商的當責程度。
「機器學習對資訊及通訊科技團隊、西雅圖港甚至大多數科技行業來說，都是一門全新的知識領域」，Tavakkolian如此說道，「隨著我們瞭解機器學習的能耐，我們開始發現更多它能解決的問題，這些問題在沒有機器學習技術以前，解決方案往往不切實際或是太過昂貴。」
Tavakkolian進一步解釋，人力手動的解決方案無法隨著規模而成長，而既有的自動化解決方案通常倚賴昂貴且特製化的硬體，例如鄰近感測器(proximity sensor)。
他說：「電腦視覺技術可以讓我們運用既有的監視器基礎設施，建立影像串流，以及利用資料中心基礎設施，收集影像快照、建立機器學習所需的訓練資料集、訓練神經網路並執行影像推論分析。」
[ 下載 2020-21 CIO大調查報告，掌握最新企業IT導入趨勢 ]
從先驅專案到生產階段
PlaneInsight專案利用港口的監視器，判斷出飛機的種類、位置與外形輪廓，以及任何值得關注的地面設備，例如貨梯、地面動力裝置、行李運送車等等。PlaneInsight能夠分析飛機閘口的影像，判斷停駁在閘口的飛機型號、描述周圍環境及判別任何可視文字（例如機身上的航空公司名稱）。這項專案為西雅圖港贏得 IDG 所頒的「FutureEdge 50 Award－新興科技應用」獎項。
Tavakkolian與西雅圖港執行長 Matt Breed 從2016年就開始研究如何在港口運用機器學習和電腦視覺技術。2017年，他們與港口的航空與電力系統領班 Chris Evans 密切合作，Tavakkolian建立出一套簡單的電腦視覺原型「Shark Tank」作為概念驗證，這套原型系統致使航空營運局長與空運營運及開發團隊的經理決定資助港口的先驅專案，進而成為PlaneInsight專案。
Tavakkolian表示：「一開始，我們在電腦視覺分類系統原型上投注一定時間與運算資源的這項決定，完全只是資訊及通訊科技部門的內部決策。」不過「Shark Tank」的發展讓他們獲得商業資助，「這項計劃讓我們得以將點子和原型，呈現給港口的各處局長，讓我們取得先驅專案的資金贊助，並把這些構想及原型帶到下一個階段。」
在當局資助下，資訊及通訊科技部門與空運營運團隊密切合作，找出對於即時運用、調查分析與歷史趨勢分析皆有所助益的資訊類型。Tavakkolian指出，這兩個團隊至今仍持續合作，將找出物體偵測資料的更多用途與先進功能。
[ 加入 CIO Taiwan 官方LINE，與全球CIO同步獲取精華見解 ]
PlaneInsight的培訓計劃
最大的挑戰仍未解決－尋覓專案人才，以推動PlaneInsight專案前進。
Tavakkolian表示：「我們目前面臨最大的挑戰是，充分學習、掌握機器學習與電腦視覺的概念、學習相關工具與框架（例如Tensorflow），並傳授機器學習概念給其他員工。機器學習專家供不應求，對於想要利用機器學習優勢但無法提供優渥薪資的組織來說，勢必得設法訓練既有的人員。」
然而訓練員工還不是唯一的問題。PlaneInsight核心的卷積神經網路(Convolutional Neural Network, CNN)需要充分的訓練資料集，好進行遷移學習(transfer learning)。建立這種資料集是冗長乏味的工作，必須為數以萬計的影像加入註解。為每張影像裡值得關注的物體加上標籤（例如波音737）、定義物體的位置（例如用矩形界定），以及描繪其外形輪廓（例如以多邊形描繪飛機的外形）。這項工作非常地曠日費時，且目前沒有飛機與地面設備的標準資料集可供使用。
為解決這道難題，西雅圖港開啟一項新的高中生暑期實習計劃，以建立機器學習所需的訓練資料集。Tavakkolian表示：「幾乎有將近一半的訓練資料集，都是由我們的高中實習生建立的。」
西雅圖港在2019年正式部署PlaneInsight先驅專案並營運至今。Tavakkolian表示除了協助空運團隊提昇運作效率外，它也幫助組織內部更加瞭解機器學習技術，讓西雅圖港找出機器學習的更多營運用途，包括尋路（透過自然語言處理與機器翻譯）、地面營運、安全管理、庫存等等。空運團隊計劃將電腦視覺運用在：設備庫存的自動化管理、確認各個場所的實際運作情況是否符合表定計劃，以及計算表定與實際活動的差異程度。他們甚至修改某些既有專案的需求建議書，加入機器學習的需求。
Tavakkolian說：「科技業專家很清楚機器學習是必然趨勢且進展迅速。一般與深度神經網路的機器學習技術，很快就會成為唾手可得的科技，且很有可能成為1990年代中期的網際網路之後，最具有影響力的科技。我們最好現在就開始有所準備。」
（本文授權非營利轉載，請註明出處：CIO Taiwan）
