【✨ 智慧醫療最前線 ✨ #健保快易通APP】
很多民眾覺得......「智慧醫療」好像越來越常聽見,卻始終不知道到底對我們的生活產生了什麼影響與好處,以及應用在哪裡?
💡全民健保行動快易通|健康存摺:
「健康存摺」是由中央健康保險署運用雲端科技所建置,為重要且好上手的智慧醫療應用實例,APP內的重點功能如下:
👉健康存摺:查詢個人健康存摺(目前有最近一次西醫、牙醫及中醫就醫紀錄、牙醫門診資料、就診行事曆、生理量測紀錄、就醫提醒、過敏資料、器捐或安寧緩和醫療意願與肝癌風險預測等功能)。
👉健保櫃檯:查詢未繳保費、保費繳納紀錄,使用活期帳戶或信用卡繳納健保費,線上申辦健保卡、查詢投保紀錄、申請投保證明與變更個人通訊地址等。
👉醫療查詢:查詢附近或特定條件院所位置圖、查詢提供之看診服務及開診情形。
👉口罩資訊:查詢自身的口罩購買紀錄、口罩地圖等。
更多資訊請參考:https://reurl.cc/0DGA8x
2021年 #台灣國際醫療暨健康照護展 有規劃「智慧醫療照護」展區,預計展出品項有:醫療機器人;穿戴式裝置;醫療雲端平台、智慧病房;醫療服務應用、智慧照護、定位系統。
歡迎對智慧醫療產業與趨勢有關注的您共同來參與👍
--
實體展 2021.07.01-03 │ 台北南港展覽2館
線上展 2021.06.24-07.08
#陸續釋出更多亮點 #MedicalTaiwan
#醫材 #輔具 #復健 #智慧醫療 #醫療手術 #醫材製造 #醫材研發 #醫學工程 #科技醫療
保險科技實例 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
端點AI -- 邁向一兆個智慧端點之路
【作者: Thomas Lorenser】 2021年01月14日 星期四
從工業到家庭、健康照護與智慧城市,由無數的應用和裝置蒐集來的大量數據產生即時的洞察與價值,智能(Intelligence)必須從雲到終端遍及整個網路。因此,提升終端運算能力、並結合機器學習技術,就有可能釋放物聯網終端裝置即時的數據分析力。
越來越多的智能圍繞在我們周遭的世界。我們聽到許多關於物聯網(IoT)、雲端運算與其他令人興奮的科技,如何在未來數十年改變人們生活的預測。從工業到家庭、健康照護與智慧城市,物聯網讓遍及日常生活的各種應用,變得更為豐富,且讓生活因此改觀。
應用的領域相當多元,有數百個子項目與數千個應用。這些應用產生許多數據,但數據本身不重要,重要的是我們可以從中擷取的價值。我們不能仰賴以往把所有數據都傳回雲端伺服器的傳統作法 – 這種作法隨著數據量的增加無法進行擴充,因此需要不同的解決方案。
把數據從端點傳輸至雲端是有代價的,包括更長的延遲、數據傳輸時的用電、頻寬,以及伺服器的容量,這最終也將是使用場景價值成功或失敗的關鍵。這在物聯網中特別容易發生,原因是許多應用必須仰賴最低延遲的即時數據分析與決策。
事實上,有時候端點可能只擁有有限(如果有的話)的連接性。因此,智能的分配必須遍及整個網路,一路到數據源頭的端點,如此我們才能在正確的地方擁有處理能力。提升終端運算能力並結合機器學習技術,就有可能釋放物聯網端點即時的數據分析力,而兩者的匯聚也稱為「端點人工智慧(Endpoint AI)」。
什麼是端點AI,為何它很重要?
端點AI主要是讓端點(即便是最小型的裝置)變得更聰明且更具智慧,可以在端點上執行必要的即時分析,同時:
‧ 改善整體系統效能
‧ 降低耗電量配置
‧ 降低對雲端處理的依賴
我們舉個例子:想像有一個負責監控水管狀態的小型端點,目的在檢測異常情況,例如水管漏水。倘若水管破裂能儘早檢測出來,避免對房屋造成損害,這對於屋主與保險公司都有極大的價值。這種裝置若能檢測出漏水,只需再加上雲端連接性,就能善用端點上的處理能力並創造價值。
不過,如同之前討論過,到目前為止看到的都是「雲端優先」的方法,這種方法把智能放在雲端上,而數據則不斷地沿著網路進行傳輸。然而為了迎合耗電、頻寬與成本的需求,這種方法正在改變,如此才能促成更寬廣的使用場景。舉上述的漏水檢測器為例,把處理能力移到端點內,可以把電池壽命從數個月延長至數年。
對於許多的使用場景而言,最佳的方式是將智能普遍分配到整個網路上,包括一路配置到端點。Arm貴為整個網路上的每個節點,都提出了解決方案:從數據中心、(終端)伺服器、閘道,一路到端點。
今日感測器產生的數據大多被丟棄,原因是要傳輸這些數據,從能源與頻寬的角度來看,成本實在太高。想像一個電池驅動的物聯網端點,使用藍牙、窄頻物聯網,或其它方式連網。端點從各個感測器搜集數據,然後把資料傳至閘道或另一個裝置。
不過,這個使用場景的通訊,往往成為整套系統耗電量最大的一部份。因此,系統架構師得進行取捨,以便在系統的耗電量限制下作業。他們得兼顧端點內感測器數據的資料速率與數據處理,以便讓電池壽命保持在可接受的範圍內。
倘若我們只在感到有興趣的事件發生時,使用機器學習架構方法來儲存或傳送數據,並藉此降低無線電波的使用、同時優化電池的壽命,又會怎?樣呢?儘管這些端點上的運算資源一直以來都太過貧乏,無法在裝置本身支援訊號處理與機器學習,但端點 AI 現在卻讓它變成可能。
事實上,今日已有許多的應用,使用Arm Cortex-M架構的裝置內的機器學習技術。受到Arm在內的許多領先企業機構支持、稱為tinyML的社群運作,正在驅動這個趨勢,目標是在微處理器(MCU)上部署機器學習。
tinyML基金會正在協助讓傳統的嵌入式世界與全新的端點AI世界,找到兩者之間的交集。藉由他們的努力,更多的開發人員現在已經可能直接在微處理器上,運行越來越複雜的深度學習模型,藉以加速端點AI,並產生出全新的使用場景。快速檢視其內容,我們發現它大多利用Arm的IP架構。Cortex-M處理器能提供應對各種既有使用場景的正確功能集。
例如,Audio Analytic 公司使用 Arm Cortex-M0+ 處理器實作聲音辨識。其它的實例則使用 Cortex-M4、Cortex-M7 與 Cortex-M33 的數位訊號處理器(DSP)的運算能力:
接下來呢?
我們正處於一段令人興奮時期的開端,在這個期間,新的科技將促成新的能力,並且讓要求更為嚴苛的物聯網端點使用場景,成為可能。端點搜集越來越多的數據,這些數據可以用節能的方式進行分析並找出型態,並觸發下一步的處理。這也是為何物聯網端點與微處理器(MCU)必須具備更多的能力,以應付與日俱增的需求。
為了支持端點AI的願景,Arm特別開發Cortex-M55(Arm具備最高AI能力的 Cortex-M 處理器)與Ethos-U55(可搭配Cortex-M的微神經網路處理器),兩者是應對許多新興使用場景的完美組合。與現有的Cortex-M處理器相比,Cortex-M55搭配Ethos-U55的總機器學習效能可以提升480倍。
此外,重點不只有IP。Arm的CMSIS-DSP與CMSIS-NN程式庫的演進,以及我們與Google的TensorFlow Lite Micro團隊的協作,將讓開發人員可以更簡便地把他們在之前Cortex-M平台上的作業,轉移到Cortex-M55與Ethos-U55。
端點AI靠視覺-語音-震動驅動
麥肯錫公司已經找出在2025年以前,可為邊緣與端點處理創造出2500億美元硬體價值的橫跨11個產業的100個使用場景。藉由分析這些專供端點AI利用的使用場景,可以發現主要的使用場景都圍繞三個領域:視覺、語音與震動。
預測性維護在許多大眾市場應用中,是一股重要的成長驅動力。據估計,每年因為機器停機造成的損失超過 200 億美元。
我們可預見上述三個類別之一,或是多個類別的使用場景或應用。例如,除了可以使用震動監控來執行異常檢測,也可以利用聲音辨識的技術,或是使用影像。端點AI已能支援設備上的訊號處理和機器學習。
附圖:圖一 : Arm在所有設備及裝置上實現無所不在的人工智慧
資料來源:https://ctimes.com.tw/DispArt-tw.asp?O=HK51E75CFDSARASTD7
保險科技實例 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文
亞馬遜Alexa語音助理棄用輝達晶片,將改採自己旗下Inferentia晶片解決方案
科技產業資訊室 (iKnow) - Kyle 發表於 2020年11月16日
電子商務和雲端運算廠商亞馬遜宣佈,為了讓旗下Alexa數位助理能夠發揮其最大影響力,將採用亞馬遜的Inferentia晶片,而不是輝達(NVIDIA)設計的晶片。也就是說,未來Alexa的機器學習大部分工作負載將在亞馬遜的AWS Inferentia晶片上運行。
基本上,這一轉變不會影響到消費者在使用亞馬遜Echo智慧音箱和其他Alexa驅動的裝置。最主要的改變是發生在Alexa服務的後端,其數據被發送到AWS雲端系統進行最終處理之時,會變得更智慧化。
2015年亞馬遜以3.7億美元的價格收購了以色列專業晶片的Annapurna實驗室。歷經三年的努力,亞馬遜終於推出了Inferentia處理器產品線,主要目的是期望提高公司AI工作負載的處理速度,同時可以降低晶片設計過程中採用其他廠商解決方案帶來較高的成本負擔。例如:採用客製化晶片可加快大量機器學習任務的速度,包含:將文章翻譯為語音或辨識影像。
根據亞馬遜的早期測試,新的Inferentia晶片可提供與輝達T4晶片相同的結果,但可將延遲性降低25%,成本降低30%。基本上來說,較低的延遲將使Alexa開發人員可以對傳入的數據進行更先進的分析,而無需用戶等待緩慢運算所帶來額外的成本。
Alexa並不是第一個依靠Inferentia支持的Inf1晶片之AWS實例的亞馬遜產品。先前亞馬遜的臉部辨識工具Rekognition也轉往採用Inf1。此外,AWS客戶還可以自由選擇是否使用Inf1和Inferentia進行自己的專案。例如:Snapchat的母公司Snap,健康保險巨頭Anthem和全球出版社Conde Nast都已經使用基於亞馬遜Inferentia的神經網路實例來強化其AI專案運作。
近年來,亞馬遜,微軟和谷歌之類的雲端運算廠商已經成為運算晶片的最大買家,這也推動了英特爾,輝達等公司在數據中心銷售的蓬勃發展。
但是,這些公司擁有龐大的經費及看中後端數據分析的重要性,這幾年更是透過併購強化在晶片上的設計能力,因為它們知道,進入AI時代,採用傳統的通用晶片已經無法滿足其對於機器學習的需求,因而設計自己的晶片成為了趨勢。
總之,未來無論是輝達或者是英特爾都將面臨大客戶紛紛改採自己AI晶片的趨勢,這一改變可能會影響到未來整體半導體產業的走向與商業模式。
附圖:圖、亞馬遜Alexa語音助理棄用輝達晶片,將改採自己旗下Inferentia晶片解決方案
資料來源:https://iknow.stpi.narl.org.tw/Post/Read.aspx?PostID=17226&fbclid=IwAR1jP5yePqqAmzpMs4ts0X30Kn51NDFMVGREKBb3NAL2UtE5ZgaP-RWFn8Q
保險科技實例 在 Fintech創業新星- Home 的推薦與評價
寶金雲國際金融科技以林口新創園為基地, 一直致力培訓FINTECH相關新創團隊及產業 ... 國際保險公司正發展核保風險預審機制,利用AI 即時決策引擎高速完成產品分析、 ... ... <看更多>