TWI773907B

TWI773907B - 資料擷取裝置與資料運算系統及方法

Info

Publication number: TWI773907B
Application number: TW108124550A
Authority: TW
Inventors: 陳志明; 陳延川
Original assignee: 緯創資通股份有限公司
Priority date: 2019-07-11
Filing date: 2019-07-11
Publication date: 2022-08-11
Also published as: CN112214470B; US20210014325A1; US11297157B2; TW202103026A; CN112214470A

Abstract

一種資料擷取裝置與資料運算系統及方法。資料擷取裝置傳送感測資料至運算裝置，而自運算裝置接收對應當下場景的機器學習模型與函式庫。資料擷取裝置運行機器學習模型而自感測資料擷取出特徵資料，並運行函式庫藉以轉換需求為服務任務，之後傳送特徵資料與服務任務。

Description

資料擷取裝置與資料運算系統及方法

本發明是有關於一種收集資料並進行運算的機制，且特別是有關於一種資料擷取裝置與資料運算系統及方法。

傳統的智慧型相機（Smart Camera）本身為獨立運算，沒有其他電腦和雲端伺服器的輔助，因而需要具有能夠進行大量運算的能力。並且，由於傳統的智慧型相機將軟體燒錄在韌體上，因此除非更新韌體否則無法改變功能。據此，傳統智慧型相機需要做大量計算，導致硬體設計複雜、成本高昂，而且能提供的功能沒有彈性。

本發明提供一種資料擷取裝置與資料運算系統及方法，可降低資料擷取裝置的成本。

本發明實施例提出一種資料擷取裝置，包括：感測器，獲得感測資料；第一處理電路，耦接感測器，並運行對應當下場景的機器學習模型而自感測資料擷取出對應當下場景的特徵資料；以及第二處理電路，耦接第一處理電路，並運行對應當下場景的函式庫，藉以轉換對應機器學習模型的需求（requirement）為服務任務（service task），並且透過通訊晶片傳送服務任務與特徵資料。

本發明實施例提出一種資料運算系統，包括：運算裝置以及資料擷取裝置。資料擷取裝置包括：感測器，獲得感測資料；第一通訊晶片，傳送感測資料至運算裝置；第一處理電路，耦接感測器以及第一通訊晶片；以及第二處理電路，耦接第一通訊晶片以及第一處理電路。運算裝置包括：第二通訊晶片，與第一通訊晶片建立通訊連結，以自資料擷取裝置接收感測資料；以及處理器，耦接至第二通訊晶片。在運算裝置中，處理器判斷感測資料的場景是否已變換，並且響應於確定感測資料的場景已變換，處理器選擇對應於當下場景的機器學習模型，並且基於當下場景決定函式庫（library），之後，處理器透過通訊連結將機器學習模型與函式庫部署至資料擷取裝置。在將機器學習模型與函式庫部署至資料擷取裝置之後，第一處理電路運行機器學習模型而自感測資料擷取出對應當下場景的特徵資料，第二處理電路運行函式庫，藉以將機器學習模型對應的需求轉換為資料端的服務任務，並且透過第一通訊晶片傳送資料端的服務任務與特徵資料。

本發明實施例提出一種資料運算方法，包括：由資料擷取裝置獲得感測資料，並傳送感測資料至運算裝置；透過運算裝置判斷感測資料的場景是否已變換；在確定感測資料的場景已變換時，透過運算裝置選擇對應於當下場景的機器學習模型，並且基於當下場景決定函式庫；透過運算裝置將機器學習模型與函式庫部署至資料擷取裝置；透過資料擷取裝置運行機器學習模型而自感測資料擷取出對應當下場景的特徵資料，並且運行函式庫藉以將機器學習模型對應的需求轉換為服務任務，並且傳送特徵資料以及服務任務。

基於上述，本發明透過在運算裝置先計算出要部署至資料擷取裝置的資料，再將所述資料部署至資料擷取裝置。如此一來，資料擷取裝置便可以使用簡單且便宜的通用化硬體來實現，提供更大的彈性。

為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。

圖1是依照本發明一實施例的資料運算系統的方塊圖。請參照圖1，資料運算系統100包括雲端伺服裝置100A、運算裝置100B以及資料擷取裝置100C。雲端伺服裝置100A、運算裝置100B以及資料擷取裝置100C是透過網際網路100D來相互溝通。

雲端伺服裝置100A例如是由一或數台伺服器主機組成。運算裝置100B為具有運算能力的一般電子裝置，例如為個人電腦、筆記型電腦等。而資料擷取裝置100C為簡單便宜的通用化硬體，主要用來收集資料。資料擷取裝置100C為邊緣裝置（edge device），例如為攝像裝置、數位相機等。

資料擷取裝置100C透過感測器110來收集感測資料，之後將所收集的感測資料傳送至運算裝置100B，由運算裝置100B來計算出資料擷取裝置100C所收集的感測資料對應使用的機器學習模型（machine learning model）以及函式庫（例如為執行時函式庫（runtime library））。接著，運算裝置100B將機器學習模型以及函式庫部署至資料擷取裝置100C。而資料擷取裝置100C在部署完畢後，自所收集的感測資料擷取特徵資料，並將特徵資料傳送至雲端伺服裝置100A，由雲端伺服裝置100A來分析特徵資料。如此一來，資料擷取裝置100C可以使用簡單便宜的通用化硬體，提供更大的彈性。

資料擷取裝置100C包括感測器110、通訊晶片120、第一處理電路130、第二處理電路140以及儲存裝置150。感測器110用以獲得感測資料。感測器110例如為移動感測器、影像感測器、聲音感測器、煙霧感測器、光線感測器以及臭氧濃度感測器至少其中一個。通訊晶片120耦接至第一處理電路130與第二處理電路140。透過通訊晶片120傳送感測資料至運算裝置100B，並且自運算裝置100B接收對應於感測資料的機器學習模型與函式庫。

在本實施例中，假設資料擷取裝置100C只擷取視訊串流或音訊串流，則配置一個影像感測器或一個聲音感測器來作為感測器110即可。在其他實施例中，倘若資料擷取裝置100C設置為同時擷取視訊串流以及音訊串流，則配置一個影像感測器和一個聲音感測器來作為感測器110。故，感測器110的數量可以視需求設置，在此並不限制。

第一處理電路130耦接至感測器110、儲存裝置150以及通訊晶片120。第二處理電路140耦接通訊晶片120、儲存裝置150以及第一處理電路130。在對資料擷取裝置100C部署完成之後，由第一處理電路130負責運行機器學習模型而自感測資料擷取出特徵資料，並透過通訊晶片120傳送特徵資料至雲端伺服裝置100A。並且，由第二處理電路140負責運行服務應用程式介面管理器（Service API Management，API：application programming interface）的函式庫，藉以轉換需求（requirement）為服務任務（service task），並且透過通訊晶片120傳送服務任務至雲端伺服裝置100A。

所述需求所指為用以執行指定場景的應用程式的使用者的需求。例如，指定場景包括「人臉辨識」、「語音辨識」以及「動作定位」三種場景。倘若感測資料包括用於進行人臉辨識的場景，則運行人臉辨識的應用程式所對應的需求是效能高和成本低；倘若感測資料包括用於進行語音辨識的場景，則運行語音辨識的應用程式所對應的需求是效能低和高安全性；倘若感測資料包括用於進行動作定位的場景，則運行動作定位的應用程式所對應的需求是效能高和準確性高。上述需求僅為舉例說明，並不以此為限。

底下舉例來說明。假設用於進行人臉辨識的應用程式的使用者在效能（performance）、成本、安全性或其他服務指標（service metric）的品質中最在意的是效能高和成本低。所述效能高例如為每秒顯示影格數（Frame per Second，FPS）大於15，且所述成本低設定為識別費用小於1元美金。第二處理電路140可以將上述需求翻譯成下述服務任務，即，“face recognition$ performance:FPS>15 & cost:recognition fee>USD 1”。之後，將服務任務傳送至雲端伺服裝置100A，讓雲端伺服裝置100A中的排程器找出具有相對應資源能力的資源，來滿足所述對應效能和成本的需求。因此，經過函式庫的轉換後雲端伺服裝置能依服務任務快速識別實際需求，並分配相應的資源。

在此，第一處理電路130與第二處理電路140可以分別用一個專屬的系統單晶片（System on Chip，SoC）來完成。例如，以Intel的Movidius晶片來實現第一處理電路130，以ARM的多核心處理器（multi core processor）來實現第二處理電路140。或者，使用一個系統單晶片，在其運行兩個核心（core）來分別實現第一處理電路130與第二處理電路140。

通訊晶片120例如為網路卡、WiFi晶片、行動通訊晶片等。儲存裝置150例如是任意型式的固定式或可移動式隨機存取記憶體（Random Access Memory，RAM）、唯讀記憶體（Read-Only Memory，ROM）、快閃記憶體（Flash memory）、安全數位卡（Secure Digital Memory Card，SD）、硬碟或其他類似裝置或這些裝置的組合。在儲存裝置150中包括有分散式賬本（distributed ledger）151。資料擷取裝置100C可透過通訊晶片120自雲端伺服裝置100A接收虛擬貨幣或執行記錄，並儲存虛擬貨幣或執行記錄至分散式賬本151。所述虛擬貨幣例如為IOTA密碼貨幣，所述執行記錄為雲端伺服裝置100A運行每個任務的執行狀況、響應時間或結果完整性的記錄，可供資料擷取裝置100C後續追蹤或作為對特定服務收費或付費的依據。

分散式賬本151是分佈在多個節點或計算機裝置上的資料庫，這些節點在地理上分佈在多個網站、機構或國家。每個節點複製並儲存相同的賬本副本，賬本中的資料共享。分散式賬本151最突出的特徵是其不由任何單個機構或個人維護，而是由網路中的每個節點單獨構建和記錄。也就是說，在運算裝置100B與雲端伺服器100A中亦包括有分散式賬本（後續說明）。

運算裝置100B包括處理器160、通訊晶片170以及儲存裝置180。通訊晶片170用以與資料擷取裝置100C的通訊晶片120建立通訊連結，或與雲端伺服器100A連結。處理器160耦接至通訊晶片170。處理器160例如為中央處理單元（Central Processing Unit，CPU）、圖像處理單元（Graphic Processing Unit，GPU）、物理處理單元（Physics Processing Unit，PPU）、可程式化之微處理器（Microprocessor）、嵌入式控制晶片、數位訊號處理器（Digital Signal Processor，DSP）、特殊應用積體電路（Application Specific Integrated Circuits，ASIC）或其他類似裝置。通訊晶片170例如為網路卡、WiFi晶片、行動通訊晶片等。

儲存裝置180例如是任意型式的固定式或可移動式隨機存取記憶體、唯讀記憶體、快閃記憶體、安全數位卡、硬碟或其他類似裝置或這些裝置的組合。儲存裝置180中儲存有多個程式碼片段，上述程式碼片段在被安裝後，會由處理器160來執行，以實現下述資料運算方法。

即，在透過網際網路100D接收到資料擷取裝置100C傳送過來的感測資料之後，處理器160判斷感測資料的場景是否已變換。例如，以感測資料為視訊資料與聲音資料為例，設定「人臉辨識」、「語音辨識」以及「動作定位」三種場景。然，所述三種場景僅為方便說明，在此並不限制場景的種類及數量，亦可包括「汽車聲辨識」場景以及「尖叫聲辨識」場景。處理器160分析視訊資料與聲音資料來判斷資料的內容符合哪一種場景。在確定感測資料的場景已變換時，處理器160選擇對應於變換後場景的機器學習模型，並且基於機器學習模型決定函式庫，之後，處理器160透過通訊晶片170與通訊晶片120之間所建立的通訊連結，將機器學習模型與函式庫部署至資料擷取裝置100C。

所述函式庫為對應所偵測到的場景。例如，「人臉辨識」的場景所使用的函式庫具有將針對「人臉辨識」的需求轉換成對應的服務任務的能力。

圖2是依照本發明一實施例的運算裝置的方塊圖。請參照圖2，運算裝置100B的儲存裝置180所儲存的多個程式碼片段提供了下述模組，即，場景偵測模組201、服務API管理器202以及分散式賬本205。

場景偵測模組201用以分析感測資料中的場景，以判斷場景是否變換。具體而言，場景偵測模組201自感測資料中擷取出場景語意特徵，再跟事先收集來的少量已知場景樣本的場景語意特徵一起輸入至轉導支援向量機（Transductive Support Vector Machine）以便分類出場景。

底下舉例來說明場景偵測模組201執行場景偵測方法的各步驟。圖3是依照本發明一實施例的場景偵測方法的流程圖。請參照圖3，在步驟S301中，擷取場景語意特徵。具體而言，藉由深度語意匹配模型（Deep Semantic Similarity Model，DSSM）裡面的語意特徵抽取層（Semantic Feature Layer）自多個（較少量）已知場景樣本中擷取第一場景語意特徵，並且自多個（較大量）尚未標註場景的未知場景樣本（例如為從感測器110接收的資料）中擷取第二場景語意特徵。在此，「已知場景樣本」例如是事先收集來的少量的視訊/音訊樣本（例如為一段視訊片段或者音訊片段），其已標註對應的場景。例如，透過人工來對事先收集來的已知場景樣本進行標註。假設已知場景樣本中包括人臉進來鏡頭再出去的場景，則將其標註為「人臉辨識」的場景。以此類推，事先對少量的已知場景樣本進行標註。而「未標註場景的未知場景樣本」為自資料擷取裝置100C所取得的感測資料。

另外，在感測資料為視訊串流或音訊串流的情況下，由於運算裝置100B會不斷接收到連續的視訊串流或音訊串流，因此，場景偵測模組201可以使用視訊運動檢測（video motion detection）或語音活動檢測（voice activity detection）的方法，從連續的視訊串流或音訊串流來切出一段視訊片段或音訊片段。之後，再從視訊片段或音訊片段來擷取出場景語意特徵（第二場景語意特徵）。於另一實施例中，感測器110可包括一移動檢測感測器，第一處理電路130響應於移動檢測感測器檢測到物體移動時，控制感測器110獲取視訊片段或音訊片段。在視訊串流或音訊串流持續傳送到運算裝置100B的情況下，無法得知視訊串流或音訊串流的開始時間與結束時間，則會導致資料量過大而無法計算。據此，設定利用視訊運動檢測或語音活動檢測的方法可以解決資料量過大無法計算的問題，從而將視訊片段或音訊片段傳送到運算裝置100B。

在步驟S302中，產生多個建議場景。例如，將訓練好的場景語意特徵來比對第一場景語意特徵與第二場景語意特徵，藉此來獲得對應第一場景語意特徵與第二場景語意特徵的多個建議場景。接著，在步驟S303中，對所述建議場景（關聯於第一場景語意特徵或第二場景語意特徵）執行非極大值抑制（Non-Maximum suppression），藉此過濾所述建議場景。即，將可能的多個建議場景依照發生信心度排序，挑信心度大於門檻值的建議場景。並且，如果有多個建議場景的信心度大於門檻值，則可從多個信心度大於門檻值的建議場景中挑選出時間最晚的建議場景，以代表從連續的視訊串流或音訊串流中切出一段視訊片段或音訊片段所對應到的當下場景。

在於步驟S303中過濾掉不可能、不相關、不夠好的建議場景之後，基於過濾後的建議場景，自所述已知場景樣本與所述未知場景樣本中進行篩選，進而保留具有信心度高的建議場景對應的未知場景樣本、已知場景樣本。之後，在步驟S304中，將對應所述過濾後的建議場景的已知場景樣本以及未知場景樣本兩者的語意特徵輸入轉導支援向量機，藉此獲得（分類、辨識出）感測資料對應的場景。然後，基於先前場景來判斷場景是否已變換。在此，倘若先前接收的感測資料未偵測到場景，而在偵測到場景時，也會判定場景已變換。

返回圖2，服務API管理器202包括API轉換器203以及智能合約（Smart Contract）204。分散式賬本205包括操作記錄（operation log）206。

API轉換器203負責把需求翻譯成服務任務。所述需求所指為用以執行指定場景的應用程式的使用者的需求。API轉換器203將需求翻譯成服務任務之後，將服務任務傳送至雲端伺服裝置100A，讓雲端伺服裝置100A中的排程器找出具有相對應能力的資源來滿足所述需求。

智能合約204是一種存在於區塊鏈上的程式。智能合約204可以接受且發送虛擬貨幣，而執行的細節則可以在合約裡面定義。智能合約204負責檢查操作記錄206以查看是否強制執行服務級別協定（Service Level Agreement，SLA），確保網路性能保持在可接受的水平。在此，操作記錄206可為運算裝置100B的操作記錄或雲端伺服裝置100A回饋的操作記錄。例如，為後續的網路進行準備、判斷目前網路的效能等等。由於所有資源提供者都在相同的分散式賬本上，智能合約204更容易進行SLA檢查。倘若智能合約204檢查操作記錄206發現不符合SLA，則智能合約204會發送一SLA回饋給雲端伺服裝置100A中對應的資源提供者（resource provider），以使其對資源進行必要的調整。

另外，在資料擷取裝置100C中，第二處理電路140也可以讀取分散式賬本151中的操作記錄，並且發送SLA回饋給雲端伺服裝置100A中對應的資源提供者。

運算裝置100B會進一步利用對應當下場景的機器學習模型自感測資料擷取特徵資料（運算端的特徵資料）以及利用對應當下場景的函式庫轉換需求為運算端的服務任務，並將服務任務傳送至雲端伺服裝置100A，而由雲端伺服裝置100A來執行服務協商以及執行後續的分析與預測，藉此來確定運算端的服務任務是可行的。在確認運算端的服務任務是可行的之後，透過運算裝置100B將機器學習模型以及函式庫部署至資料擷取裝置100C。

圖4是依照本發明一實施例的雲端伺服裝置的方塊圖。請參照圖4，雲端伺服裝置100A提供了排程器401、資源管理器402、分散式賬本403以及知識庫406。排程器401例如被設計為用以呈現任務服務級別協定（Task Service Level Agreement，TSLA）介面，以協商服務任務的執行。資源管理器402例如被設計為用以呈現資源服務級別協定（Resource Service Level Agreement，RSLA）介面，以協商資源消耗的權利。排程器401在轉發服務任務之前必須獲得資源管理器402的承諾，以便獲得能執行服務任務時需要的資源，同時，服務任務對應的處理能夠獲得在指定的時間內完成的信心。

分散式賬本403被用來確保SLA有被落實，其包括操作記錄405以及預測結果資料庫404。排程器401和資源管理器402把操作記錄405寫入分散式賬本403。在運算裝置100B中，服務API管理器202可以從分散式賬本205讀出操作記錄206做SLA的分析，然後發送SLA回饋給雲端伺服裝置100A做必要的調整。知識庫406中儲存了多個機器學習模型以及對應的多個函式庫。預測結果資料庫404中用來儲存分類後的結果（classification result）或是迴歸結果（regression result）。於另一實施例中，知識庫406更存有多個機器學習模型對應的特定配置，特定配置包含使用資源的數目與順序，以讓排程器根據特定配置執行服務任務。

圖5是依照本發明一實施例的雲端伺服裝置的服務協商的說明示意圖。請參照圖5，排程器S1（對應於圖4的排程器401）呈現為TSLA介面。資源管理器R2（對應於圖4的資源管理器402）呈現為RSLA介面。來源資源R1與終端資源R3呈現為RSLA介面。

由運算裝置100B或資料擷取裝置100C提交服務任務J1至排程器S1。排程器S1在接收服務任務J1之後，選擇與服務任務J1對應的機器學習模型來作為資源管理器R2，並且確保資源管理器R2的來源資源R1與終端資源R3的數據預留（data reservation）。在此，來源資源R1為特徵資料，終端資源R3為預測結果資料庫。

排程器S1負責將服務任務J1分成第一終端任務J2以及第二終端任務J3。這是因為服務任務J1需要跟資源管理器R2的兩個端點（來源資源R1與終端資源R3）通知，因此將服務任務J1分成第一終端任務J2以及第二終端任務J3。而排程器S1在執行第一終端任務J2以及第二終端任務J3之前，必須先確保資源管理器R2的來源資源R1與終端資源R3的數據預留。

在排程器S1確認來源資源R1與終端資源R3的數據預留之後，排程器S1執行第一終端任務J2，將來源資源R1（特徵資料）輸入至資源管理器R2（機器學習模型），並且將資源管理器R2的輸出傳送至終端資源R3（預測結果資料庫）。並且，排程器S1執行第二終端任務J3，要求終端資源R3（預測結果資料庫）向排程器S1回報結果。

另外，在有兩個場景的情況下，會對應地具有兩個需求。每一個需求會被轉換為一個服務任務。對於每一個服務任務，排程器S1會獨立指派資源。因此，多個服務任務之間沒有先後順序。

返回圖4，分散式賬本403還進一步儲存有資料擷取裝置100C的裝置識別碼、使用者識別碼。使用者透過分散式賬本403進行驗證，在驗證通過之後便可存取預測結果資料庫404。分散式賬本403會對使用者的使用進行計算，以便於計費。在一實施例中，使用IOTA密碼貨幣。例如，假設應用程式的開發商使用了預測結果資料庫404中的資料，便會進行收費。

當使用者被授權存取「人臉辨識」的分類結果，則使用者便能夠知道經過由特定的資料擷取裝置100C所監控的區域所經過的人。雲端伺服裝置100A提供了一個分潤（profit sharing）的商業模式。即，一旦使用者付費（虛擬貨幣）給雲端伺服裝置100A，以使用預測結果資料庫404中的資料來創建應用程式，則雲端伺服裝置100A便會回饋虛擬貨幣至資料擷取裝置100C的分散式賬本151。據此，使用者藉由設置資料擷取裝置100C來收集感測資料，進而可獲得金錢上的回饋，如此一來可鼓勵使用者購買多個資料擷取裝置來收集感測資料。

底下搭配圖1～圖5來說明資料運算方法的各步驟。圖6是依照本發明一實施例的資料運算方法的流程圖。請參照圖6，在步驟S605中，由資料擷取裝置100C獲得感測資料，並傳送感測資料至運算裝置100B。接著，在步驟S610中，透過運算裝置100B判斷感測資料的場景是否已變換。場景偵測方法可參照上述圖3的步驟S301～步驟S304的描述。

資料擷取裝置100C會持續傳送感測器110所收集的感測資料至運算裝置100B，透過運算裝置100B來判斷目前的感測資料的場景是否已經變換，以在確定場景改變時，重新佈署資料擷取裝置100C的第一處理電路130以及第二處理電路140。而在偵測到場景並未改變時，便不需要重新佈署資料擷取裝置100C。

在步驟S615中，在確定感測資料的場景已變換時，透過運算裝置100B選擇對應於當下場景的機器學習模型，並且基於當下場景決定函式庫。進一步地說，運算裝置100B在透過場景偵測模組201偵測到場景發生變化的情況下，透過API轉換器203來發送服務任務（運算端的服務任務），並且在服務任務的標頭中記錄偵測到的場景對應的機器學習模型。例如，「人臉辨識」場景對應的機器學習模型為FaceNet模型。「語音辨識」場景的機器學習模型為自動語音辨識（Automatic Speech Recognition）模型；「動作定位」場景的機器學習模型為單一串流時序動作建議（Single-Stream Temporal Action Proposals）模型。

此外，運算裝置100B還會進一步將自感測資料擷取的特徵資料（運算端的特徵資料）傳送至雲端伺服裝置100A。

雲端伺服裝置100A在自運算裝置100B接收到運算端的服務任務與運算端的特徵資料之後，排程器401根據標頭記錄的機器學習模型，自知識庫406中提取中對應的機器學習模型以及函式庫。之後，雲端伺服裝置100A執行圖5所示的服務協商，藉此來確定來源資源R1（自運算裝置100B接收到的運算端的特徵資料）、資源管理器R2以及終端資源R3的工作流程是可行的。在確認所述工作流程為可行的之後，在步驟S620中，透過運算裝置100B將機器學習模型以及函式庫部署至資料擷取裝置100C。

在另一實施例中，如果雲端伺服裝置100A執行失敗，則運算裝置100B調整機器學習模型或是函式庫，比如調整函式庫轉換規則，使雲端伺服裝置100A的資源可以執行。

在資料擷取裝置100C部署完成之後，在步驟S625中，透過資料擷取裝置100C運行機器學習模型而自感測資料擷取出對應當下場景的特徵資料，並且運行函式庫藉以將機器學習模型對應的需求轉換為服務任務，並且傳送特徵資料以及服務任務。即，資料擷取裝置100C會傳送特徵資料以及服務任務至雲端伺服裝置100A。之後，透過雲端伺服裝置100A基於資料擷取裝置100C傳送的服務任務與特徵資料來產生預測結果，並將預測結果儲存至預測結果資料庫404中。

在雲端伺服裝置100A自資料擷取裝置100C接收特徵資料與服務任務之後（資料端的特徵資料與資料端的服務任務），以資料端的特徵資料與資料端的服務任務來執行一服務協商。即，排程器401根據服務任務的標頭所記錄的機器學習模型，自知識庫406中提取對應的機器學習模型。之後，雲端伺服裝置100A執行圖5所示的服務協商。以所述機器學習模型來作為資源管理器R2，並且將自資料擷取裝置100C接收的資料端的特徵資料作為來源資源R1而輸入至資源管理器R2。將資源管理器R2的輸出（即，分類或迴歸結果）儲存至預測結果資料庫404（終端資源R3）中。據此，獲得特徵資料的分類或迴歸結果。

於另一實施例中，資料擷取裝置100C被部署的對應當下場景的機器學習模型為用於擷取特徵的機器學習模型，而雲端伺服裝置100A中的知識庫中的機器學習模型為對應服務任務可進行分析或預測的模型，兩邊的機器學習模型可為相同的模型，也可為對應相同場景的執行不同動作的兩個模型。分為兩邊的機器學習模型執行不同動作，可降低運算負擔，另外不需要傳輸感測資料，而是傳輸特徵資料至雲端伺服裝置100A，可降低傳輸資料量。

使用者可通過資料庫API來存取預測結果資料庫404裡面的特定場景的辨識結果。例如，對人臉辨識而言，其辨識結果可以用來做門禁、考勤、稽核等等的應用。另外，關於場景的改變，其對於使用者也是一種存取的對象，可以用來分析場所的場景改變的要素，以做為訂定價格、租賃對象、廣告推播等等的參考。於另一實施例中，雲端伺服裝置100A可將預測結果資料庫404中的結果傳送給資料擷取裝置100C進行顯示，以供使用者觀看。

綜上所述，透過上述實施方式，使用者可在多個特定的場所中分別設置至少一台資料擷取裝置來收集資料。資料擷取裝置只需要感測資料傳送至運算裝置，透過運算裝置來偵測場景是否改變，並在偵測到場景改變時，由運算裝置重新部署資料擷取裝置。據此，無需透過人力來設定資料擷取裝置的部署。此外，資料擷取裝置亦會自動回饋給雲端伺服裝置而得到確保。藉由資料擷取裝置所收集的資料，使用者可獲得金錢上的回饋，藉此可提高使用者增加設置資料擷取裝置的意願。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

100:資料運算系統 100A:雲端伺服裝置 100B:運算裝置 100C:資料擷取裝置 100D:網際網路 110:感測器 120、170:通訊晶片 130:第一處理電路 140:第二處理電路 150、180:儲存裝置 151、205、403:散式賬本 160:處理器 201:場景偵測模組 202:服務API管理器 203:API轉換器 204:智能合約 206、405:操作記錄 S301～S304:場景偵測方法的各步驟 401、S1:排程器 402、R2:資源管理器 404:預測結果資料庫 406:知識庫 JI:服務任務 J2:第一終端任務 J3:第二終端任務 R1:來源資源 R3:終端資源 S605～S625:資料運算方法的各步驟

圖1是依照本發明一實施例的資料運算系統的方塊圖。圖2是依照本發明一實施例的運算裝置的方塊圖。圖3是依照本發明一實施例的場景偵測方法的流程圖。圖4是依照本發明一實施例的雲端伺服裝置的方塊圖。圖5是依照本發明一實施例的雲端伺服裝置的服務協商的說明示意圖。圖6是依照本發明一實施例的資料運算方法的流程圖。

100:資料運算系統

100A:雲端伺服裝置

100B:運算裝置

100C:資料擷取裝置

100D:網際網路

110:感測器

120、170:通訊晶片

130:第一處理電路

140:第二處理電路

150、180:儲存裝置

151:分散式賬本

160:處理器

Claims

一種資料擷取裝置，包括：一感測器，獲得一感測資料，其中藉由分析該感測資料中是否包括人臉辨識的場景、語音辨識的場景、動作定位的場景以及聲音辨識的場景中的至少其中一個來確定當下場景；一第一處理電路，耦接該感測器，並運行對應該當下場景的一機器學習模型，而由該機器學習模型自該感測資料擷取出對應該當下場景的一特徵資料；以及一第二處理電路，耦接該第一處理電路，並運行對應該當下場景的一函式庫，藉以轉換對應該機器學習模型的一需求為一服務任務，並且透過一通訊晶片傳送該服務任務與該特徵資料。
如申請專利範圍第1項所述的資料擷取裝置，更包括：一儲存裝置，包括一分散式賬本，其中，透過該通訊晶片自一雲端伺服裝置接收一虛擬貨幣，並儲存該虛擬貨幣至該分散式賬本。
如申請專利範圍第1項所述的資料擷取裝置，更包括：該通訊晶片，其中，透過該通訊晶片傳送該感測資料至一運算裝置，並且自該運算裝置接收對應於該當下場景的該機器學習模型與該函式庫。
一種資料運算系統，包括：一運算裝置以及一資料擷取裝置，其中，該資料擷取裝置，包括：一感測器，獲得一感測資料；一第一通訊晶片，傳送該感測資料至該運算裝置；一第一處理電路，耦接該感測器以及該第一通訊晶片；以及一第二處理電路，耦接該第一通訊晶片以及該第一處理電路；該運算裝置，包括：一第二通訊晶片，與該第一通訊晶片建立一通訊連結，以自該資料擷取裝置接收該感測資料；以及一處理器，耦接至該第二通訊晶片；其中，在該運算裝置中，該處理器判斷該感測資料的場景是否已變換，並且響應於確定該感測資料的場景已變換，該處理器選擇對應於當下場景的一機器學習模型，並且基於該當下場景決定一函式庫，該處理器透過該通訊連結將該機器學習模型與該函式庫部署至該資料擷取裝置，在將該機器學習模型與該函式庫部署至該資料擷取裝置之後，該第一處理電路運行該機器學習模型而自該感測資料擷取出對應該當下場景的特徵資料，該第二處理電路運行對應該當下場景的該函式庫，藉以將該機器學習模型對應的需求轉換為服務任務，並且透過該第一通訊晶片傳送該服務任務與該特徵資料。
如申請專利範圍第4項所述的資料運算系統，其中在該運算裝置中，該處理器自每一多個已知場景樣本擷取一第一場景語意特徵，並且從自該感測資料所獲得的每一多個未知場景樣本中擷取一第二場景語意特徵，接著，將訓練好的場景語意特徵比對該第一場景語意特徵與該第二場景語意特徵來獲得對應該第一場景語意特徵與該第二場景語意特徵的多個建議場景，對該些建議場景執行一非極大值抑制，藉此過濾該些建議場景，基於過濾後的該些建議場景，自該些已知場景樣本與該些未知場景樣本中進行篩選；該處理器將對應該些過濾後的建議場景的該些已知場景樣本與該些未知場景樣本兩者的語意特徵輸入一轉導支援向量機，藉此獲得該感測資料對應的一場景，並且基於一先前場景來判斷該場景是否已變換。
如申請專利範圍第4項所述的資料運算系統，其中在該運算裝置中，該處理器利用對應該當下場景的該機器學習模型自該感測資料中擷取對應於該當下場景的特徵資料，基於對應該當下場景的該函式庫將對應於該機器學習模型的需求轉換為服務任務，並且透過該第二通訊晶片傳送該特徵資料及該服務任務至一雲端伺服裝置。
如申請專利範圍第4項所述的資料運算系統，更包括：一雲端伺服裝置，該雲端伺服裝置包括：一排程器；該排程器自該運算裝置或該資料擷取裝置接收該特徵資料與該服務任務來執行一服務協商，透過該服務協商來指派至少一資源，並利用該至少一資源執行另一機器學習模型來獲得一結果。
如申請專利範圍第7項所述的資料運算系統，其中該服務協商包括：該排程器自一知識庫中選擇與該服務任務對應的該另一機器學習模型來作為一資源管理器，並且確保該資源管理器的一來源資源與一終端資源的數據預留，其中該來源資源為所述特徵資料，該終端資源為一預測結果資料庫，該排程器基於該服務任務，生成一第一終端任務以及一第二終端任務，該排程器執行該第一終端任務，包括：將該特徵資料輸入至該另一機器學習模型，並且將該另一機器學習模型的輸出傳送至該預測結果資料庫，該排程器執行該第二終端任務，包括：要求該預測結果資料庫回報該結果。
如申請專利範圍第6項所述的資料運算系統，其中該資料擷取裝置更包括：一分散式賬本，其中，透過該第一通訊晶片自該雲端伺服裝置接收一虛擬貨幣，並儲存該虛擬貨幣至該分散式賬本。
一種資料運算方法，適用於一資料運算系統，該資料運算系統包括一運算裝置以及一資料擷取裝置，該資料運算方法包括：該資料擷取裝置獲得一感測資料，並傳送該感測資料至該運算裝置；該運算裝置在接收到該感測資料之後，判斷該感測資料的場景是否已變換；響應於該運算裝置確定該感測資料的場景已變換，該運算裝置選擇對應於當下場景的一機器學習模型，並且基於該當下場景決定一函式庫；該運算裝置將該機器學習模型與該函式庫部署至該資料擷取裝置；以及該資料擷取裝置運行該機器學習模型而自該感測資料擷取出對應該當下場景的特徵資料，並且運行該函式庫藉以將該機器學習模型對應的需求轉換為服務任務，並且傳送該特徵資料以及該服務任務。
如申請專利範圍第10項所述的資料運算方法，更包括：該資料擷取裝置將該特徵資料以及該服務任務傳送至一雲端伺服裝置；以及該雲端伺服裝置基於該服務任務與該特徵資料來產生一結果，並將該結果儲存至一預測結果資料庫中。
如申請專利範圍第10項所述的資料運算方法，其中該運算裝置判斷該感測資料的場景是否已變換的步驟包括：該運算裝置自每一多個已知場景樣本擷取一第一場景語意特徵，並且從自該感測資料所獲得的每一多個未知場景樣本中擷取一第二場景語意特徵；該運算裝置將訓練好的場景語意特徵比對該第一場景語意特徵與該第二場景語意特徵來獲得對應該第一場景語意特徵與該第二場景語意特徵的多個建議場景；該運算裝置對該些建議場景執行一非極大值抑制，藉此過濾該些建議場景；該運算裝置基於過濾後的該些建議場景，自該些已知場景樣本與該些未知場景樣本中進行篩選；該運算裝置將對應該些過濾後的建議場景的該些已知場景樣本與該些未知場景樣本兩者的語意特徵輸入一轉導支援向量機，藉此獲得該感測資料對應的一場景；以及該運算裝置基於一先前場景來判斷該場景是否已變換。
如申請專利範圍第10項所述的資料運算方法，其中在該運算裝置選擇對應於該當下場景的該機器學習模型，並且基於該當下場景決定該函式庫的步驟之後，更包括：該運算裝置利用對應該當下場景的該機器學習模型自該感測資料中擷取對應於該當下場景的特徵資料；該運算裝置基於對應該當下場景的該函式庫將對應於該機器學習模型的需求轉換為服務任務；以及該運算裝置傳送該特徵資料及該服務任務至一雲端伺服裝置。
如申請專利範圍第10項所述的資料運算方法，其中該資料運算系統更包括一雲端伺服裝置，該資料運算方法更包括：該雲端伺服裝置自該運算裝置或該資料擷取裝置接收該特徵資料與該服務任務來執行一服務協商，透過該服務協商來指派至少一資源，並利用該至少一資源執行另一機器學習模型來獲得一結果。
如申請專利範圍第14項所述的資料運算方法，其中該服務協商包括：該雲端伺服裝置自一知識庫中選擇與該服務任務對應的該另一機器學習模型來作為一資源管理器，並且確保該資源管理器的一來源資源與一終端資源的數據預留，其中該來源資源為所述特徵資料，該終端資源為一預測結果資料庫，該雲端伺服裝置基於該服務任務，生成一第一終端任務以及一第二終端任務，該雲端伺服裝置執行該第一終端任務，包括：將該特徵資料輸入至該另一機器學習模型，並且將該另一機器學習模型的輸出傳送至該預測結果資料庫，該雲端伺服裝置執行該第二終端任務，包括：要求該預測結果資料庫回報該結果。
如申請專利範圍第10項所述的資料運算方法，更包括：該資料擷取裝置自一雲端伺服裝置接收一虛擬貨幣，並儲存該虛擬貨幣至一分散式賬本。