人臉辨識是近年快速發展的深度學習應用，尤其是在疫情期間，人們強烈的零接觸需求也帶動了人臉技術的深化落地。擁有20年大數據經歷的人工智慧科學家尹相志，帶著豐富的人工智慧應用落地經驗，於9月起在緯育TibaMe開設全新的「深度學習之人臉辨識實戰」線上課程。
當AI技術從高峰逐步沉澱於應用
過往尹相志老師的人工智慧系列課程的最大特色就是除了理論外，還帶著豐富的應用實戰經驗。為何選擇人臉識別作為新課程的主題，尹相志老師表示，這幾年AI技術從泡沫的高峰開始逐步沉澱於應用。機器雖然是沒有教過的就不會，但是只要給的數據量夠多，它就可以發揮機器的優勢，那就是機器不會累，可以24X7的不間斷工作。
而「臉」正是我們人類教機器看得最多的數據，即使日常生活已經被廣泛使用，其背後的原理以及實務設計該考慮的細節卻未必為人所知，所以他想從最成熟的「人臉」著手。藉由課程單元的進程同時帶著各位走過Al應用艱辛之路，並早一步傳授在應用面可能發生的問題。
人臉辨識僅需要一個模型？
「許多人認為人臉辨識僅需要一個模型？」，這是經常被誤解的錯誤觀念。其實並不是，因為機器理解與完成任務的設計並不是真的和人類一樣。尹相志老師將逐步帶領學員，在十堂課程中，逐一從古典非深度學習人臉識別出發，一路從如何讓機器尋找到人臉(人臉檢測)、瞄準五官位置並且把臉的位置轉正(人臉校準)、判斷這個人臉是個活人(活體識別)、最後完成人臉識別。這個流程中涉及到許多模型設計、訓練以及計算所需要用到的知識，有別於一般課程只是從github下載個模型跑通後就結束，本系列課程更能夠讓人完整體驗與掌握AI落地的過程。
尹相志老師表示，人臉識別技術也有著「見山是山、見山不是山、見山又是山」的三個階段。最早期，多數是將人臉識別當作是圖像分類的問題，但是深度學習的圖像分類必須事先設定輸出的類別數，只要類別、數量有異動，模型就必須重新訓練，這鐵定不符合人們對人臉識別的期待。所以後來基於相似性度量學習 (metric learning) 將學習的目標從分辨是誰的標籤改為如何讓同一個人的不同臉照能夠測得較高的相似度，而不同人的臉照卻能獲得較低的相似度，像是孿生網路、三元組損失 (triplet loss) 就是基於這個思路，但是這種方法收斂速度極其緩慢，且無法做到更龐大的人群基數。
後來的研究才意識到，這地球上有七十億人，如何才能有足夠的特徵空間能夠塞得下全世界的人類，最好的答案就是人人佔滿整個特徵空間的球面，並且設定出每個人站立的「社交距離」。ArcFace就是基於這樣思維所產生的技術，而它所使用的訓練概念卻看似又回到了圖像識別，但實際上裡面設計的思路卻完全不同，而這些細微差異就是能讓一個人臉識別模型能夠處理十億等級人臉識別的關鍵因素。
從分類、相似又回歸到分類，創造新的技術演化。人們常說舊東西使用舊技術，但其實舊技術是能被翻轉，帶來更創新的方式。尹相志老師談到，目前算法的設計，去支撐120億張人臉都沒問題，但是現在機器又面對到疫情期間人人戴口罩的新問題，這對AI模型來說又是個艱鉅的挑戰。
人臉辨識技術做到「辨識韓國小姐」
在推崇AI民主化的現在，人臉並不是高不可攀的技術。儘管您可能是深度學習新手或者是過去接觸過深度學習的開發者，但是您未必完整紮實的走過模型設計、訓練、優化的完整過程。本課程能夠帶領各位從零開始，逐步練功破關，最後學會使用ArcFace的殺技直擊人臉識別的大魔王「辨識韓國小姐」的程度。
尹相志老師亦提及，現在是學習人臉辨識最好的時機，由於中美貿易戰，美國禁止中國輸出AI技術，且過往台灣本地標案也多半禁止使用中國方案。因此大環境給予台灣本地業者更多機會，讓人臉辨識技術不再壟斷在少數的公司手上，中小型企業若是想要降低使用成本，最好的策略就是跟著課程自己實際操作，不只省下昂貴費用，還能創造商機。
深度學習之人臉辨識實戰：https://bit.ly/36K5HMK